MaRisk-Novelle 2026: Was die neuen KI-Anforderungen für Banken bedeuten

MaRisk 2026: Die Aufsicht holt die KI aus dem Pilotstatus

Erst durften alle experimentieren. Jetzt steht die Frage nach den Regeln im Rundschreiben. Mit der 9. MaRisk-Novelle, veröffentlicht als Rundschreiben 06/2026 (BA) mit Stand 30. Juni 2026, gelten die Anforderungen an die Verwendung von Modellen ausdrücklich auch für automatisierte Modelle, technologiegestützte Innovation und künstliche Intelligenz. Wer KI in Kreditvergabe, Risikoklassifizierung oder Bewertung nutzt, muss Annahmen begründen, Datenqualität sichern, Überschreibungen regeln, regelmäßig validieren und die Wirkungszusammenhänge des Modells erklären können.

Was hat sich mit der 9. MaRisk-Novelle geändert?

Die MaRisk, die Mindestanforderungen an das Risikomanagement, konkretisieren die Pflichten aus § 25a Kreditwesengesetz. Die BaFin hat den Entwurf der 9. Novelle am 1. April 2026 als Konsultation 02/2026 veröffentlicht; Stellungnahmen waren bis 8. Mai 2026 möglich. Die endgültige Fassung trägt den Stand 30. Juni 2026.

Drei Punkte prägen die Novelle. Erstens ist das Rundschreiben stärker prinzipienbasiert; BaFin-Exekutivdirektor Nikolas Speer spricht im September 2026 von MaRisk, die „30 Prozent schlanker“ geworden seien. Zweitens richtet sich die Proportionalität nach einer transparenten Einteilung in sehr kleine Institute mit einer Bilanzsumme bis eine Milliarde Euro, kleine und nicht komplexe Institute sowie übrige weniger bedeutende Institute. Drittens fallen die bedeutenden Institute unter direkter EZB-Aufsicht aus dem Anwendungsbereich. Die MaRisk sind damit vor allem für Sparkassen, Genossenschaftsbanken und Spezialinstitute der maßgebliche Rahmen.

Wann ist eine KI-Anwendung ein Modell im Sinne der MaRisk?

Sobald sie Eingabedaten mit statistischen oder mathematischen Verfahren zu quantitativen Schätzungen verarbeitet, auf die sich Entscheidungen im Institut stützen. So definiert das Modul AT 4.3.4 den Modellbegriff. Ausdrücklich genannt sind Modelle für Kreditvergabe und -bearbeitung, Risikoklassifizierungsverfahren, Verfahren zur Risikoquantifizierung, Stresstests sowie Bewertungs- und Preisbildungsmodelle. Modelle im Anwendungsbereich der CRR, also etwa interne Ratingverfahren für die Eigenmittelberechnung, sind ausgenommen, weil für sie eigene Regeln gelten.

Entscheidend ist der Zusatz, dass der Modellbegriff unabhängig davon gilt, ob das Institut das Modell selbst entwickelt oder von einem Dritten bezieht. Ein zugekauftes Scoring, eine KI-Funktion in einer Fachanwendung oder ein externes Bewertungsmodell fallen damit genauso darunter wie eine Eigenentwicklung. Bereits die MaRisk-Fassung vom 29. Juni 2023 enthielt ein Modul zur Verwendung von Modellen. Neu ist die ausdrückliche Einbeziehung von KI.

Welche Anforderungen stellt AT 4.3.4 konkret?

Die Textziffern des Moduls lassen sich zu fünf Pflichten verdichten:

• Verantwortung und Begründung: Die Wahl des Modells liegt beim Institut. Annahmen sind nachvollziehbar zu begründen, Angemessenheit und Eignung vor dem Einsatz zu bewerten. Das setzt Kenntnisse über Konzeption, Parameter und Daten voraus, auch bei zugekauften Modellen.

• Datenqualität: Geeignete Verfahren sollen Qualitätsschwächen in den zugrundeliegenden Daten erkennen und bereinigen.

• Überschreibungen: Das Institut regelt, wie Modellergebnisse verwendet werden und wann Menschen vom Ergebnis abweichen dürfen, also Werte im Input oder Ergebnis bewusst überschreiben.

• Validierung: Grenzen und Beschränkungen sind kritisch zu prüfen, Genauigkeit, Stabilität und Konsistenz regelmäßig zu analysieren, auch nach Rekalibrierungen.

• Erklärbarkeit: Neben der Genauigkeit ist auf hinreichende Erklärbarkeit zu achten, insbesondere bei KI. Ein Modell gilt als erklärbar, wenn sich Wirkungszusammenhänge zwischen Eingangs- und Ausgangsgrößen aufzeigen lassen.

Alle Anforderungen richten sich nach der Komplexität des Modells, seiner Bedeutung im Risikomanagement und den Risiken, die mit seinem Einsatz einhergehen. Proportionalität heißt hier: Der Aufwand skaliert, die Pflicht bleibt.

Was bedeutet Erklärbarkeit bei komplexen KI-Modellen?

Erklärbarkeit ist der Punkt, an dem KI-Vorhaben am häufigsten auf Widerstand in Risikocontrolling und Revision treffen. Bei einer logistischen Regression lässt sich der Einfluss jedes Merkmals direkt ablesen. Bei Gradient-Boosting-Verfahren oder neuronalen Netzen nicht ohne Weiteres. In der Praxis kommen dann Erklärverfahren wie SHAP oder LIME zum Einsatz, die den Beitrag einzelner Merkmale zu einer Modellentscheidung sichtbar machen. Die MaRisk schreiben kein bestimmtes Verfahren vor; sie verlangen, dass Wirkungszusammenhänge aufgezeigt werden können.

Für die Modellwahl folgt daraus eine nüchterne Abwägung: Bringt ein komplexeres Modell so viel Genauigkeit, dass der zusätzliche Erklär- und Validierungsaufwand gerechtfertigt ist? Was Banken dabei aus der langen Erfahrung mit internen Ratingmodellen übernehmen können, zeigt der Beitrag zum KI-Modellrisiko und der IRB-Erfahrung.

Warum gehört jedes eingekaufte Modell auf die Liste?

Weil die Verantwortung nicht an den Anbieter delegiert werden kann. Viele Institute denken bei Modellen zuerst an selbst entwickelte Verfahren und übersehen die externen Komponenten in Bonitätsprüfung, Betrugserkennung oder Immobilienbewertung. Gerade dort ist die Funktionsweise oft nur teilweise bekannt. Das Rundschreiben verlangt aber hinreichende Kenntnisse über Annahmen, Parameter und Daten, also Informationen, die der Anbieter liefern muss.

Eine vollständige Übersicht der Modelle in risikorelevanten Prozessen ist deshalb die praktische Voraussetzung für alle weiteren Pflichten, auch wenn AT 4.3.4 den Begriff „Modellinventar“ nicht verwendet. Die Übersicht schafft zugleich Klarheit darüber, worauf risikorelevante Entscheidungen im Institut tatsächlich beruhen. Für Verträge heißt das: Dokumentation, Validierungsunterstützung und Informationen zu Modelländerungen gehören bei der Beschaffung auf die Liste, nicht erst bei der Prüfung.

Wie greifen MaRisk, DORA und KI-Verordnung ineinander?

Ein KI-Scoring im Kreditgeschäft liegt im Schnittpunkt dreier Regelwerke. Nach den MaRisk ist es ein Modell mit Anforderungen an Daten, Validierung und Erklärbarkeit. Nach DORA, seit 17. Januar 2025 anwendbar, ist es Teil der IT-Landschaft und wird es von einem Dienstleister bezogen, Gegenstand des Drittparteienrisikomanagements. Nach der KI-Verordnung ist die Bewertung der Kreditwürdigkeit natürlicher Personen ein Hochrisiko-Anwendungsfall nach Anhang III; die Pflichten dafür gelten nach der Verschiebung durch den Digital Omnibus ab 2. Dezember 2027. Betreiber solcher Systeme müssen dann unter anderem eine Grundrechte-Folgenabschätzung nach Artikel 27 durchführen.

Wer diese Regelwerke in getrennten Projekten bearbeitet, doppelt Aufwand und übersieht Lücken. Sinnvoller ist eine gemeinsame Übersicht, in der jedes Modell einmal erfasst und nach allen drei Rahmen eingeordnet wird. Die BaFin empfiehlt für die KI-Verordnung selbst, sich am IKT-Asset-Inventar nach DORA zu orientieren. Die Details zur Kreditvergabe vertieft der Beitrag zur KI-Verordnung in der Kreditentscheidung.

Woran scheitern KI-Modelle in der Prüfung?

Der häufigste Grund ist die Trennung von Innovations- und Risikowelt. KI wird im Fachbereich gebaut, die Anforderungen tauchen erst bei der Freigabe auf, und dann fehlen Modelldokumentation, Validierungskonzept und Erklärlogik. Ein zweiter Grund ist Personenabhängigkeit: Das Modellwissen liegt bei einer einzigen Person. Fällt sie aus, ist die Nachvollziehbarkeit weg. Wie sich Modellwissen organisatorisch absichern lässt, zeigt der Beitrag zur KI-Governance gegen Wissensverlust.

Mindestens dokumentiert sein sollten Zweck und Anwendungsbereich, Datenbasis und Qualitätssicherung, Verfahren und dessen Grenzen, Erklärlogik, Validierungsergebnisse, Regeln für Überschreibungen und Verantwortliche. Diese Unterlagen sind die Grundlage, auf der Revision und Aufsicht die Angemessenheit eines Modells beurteilen.

Was das Management jetzt veranlassen sollte

1. Alle Modelle in risikorelevanten Prozessen erfassen, selbst entwickelte wie zugekaufte, einschließlich KI-Funktionen in Fachanwendungen.

2. Jedes Modell nach Komplexität und Bedeutung einstufen und daraus den Umfang von Dokumentation, Validierung und Erklärbarkeit ableiten.

3. Regeln für Überschreibungen festlegen und dokumentieren, wann und mit welcher Begründung vom Modellergebnis abgewichen wird.

4. Anbieter vertraglich zur Mitwirkung verpflichten: Informationen zu Annahmen, Daten, Validierung und Modelländerungen.

5. MaRisk, DORA und KI-Verordnung in einer gemeinsamen Übersicht steuern, statt drei parallele Listen zu pflegen.

Häufige Fragen

Gilt die 9. MaRisk-Novelle auch für Sparkassen und Volksbanken?
Ja. Die MaRisk richten sich an alle Institute nach § 1 Abs. 1b KWG, die nicht als bedeutende Institute direkt von der EZB beaufsichtigt werden. Für sehr kleine und kleine Institute gelten erweiterte Öffnungsklauseln, die Grundpflichten bleiben.

Muss ein zugekauftes KI-Modell genauso behandelt werden wie eine Eigenentwicklung?
Ja. Der Modellbegriff gilt unabhängig davon, ob das Modell vom Institut oder von einem Dritten entwickelt wurde. Das Institut braucht hinreichende Kenntnisse über Annahmen, Parameter und Daten.

Schreiben die MaRisk ein bestimmtes Erklärverfahren vor?
Nein. Ein Modell gilt als erklärbar, wenn Wirkungszusammenhänge zwischen Eingangs- und Ausgangsgrößen aufgezeigt werden können. Welches Verfahren dafür geeignet ist, hängt vom Modell ab.

Weitere Beiträge zu Aufsicht, KI-Verordnung und Modellrisiken bündelt das Dossier Regulierung & Resilienz.

Ob jedes Modell im eigenen Institut bekannt ist, zeigt sich meist an einer einfachen Frage: Wer kann für das zugekaufte Scoring die wichtigsten Annahmen erklären? Wir freuen uns auf ein erstes Gespräch zu diesem Thema.