plainGPT gegen S-KIPilot: Zwei Rechenzentren, zwei Wege zur KI

Die eine Gruppe redet über KI. Die andere zählt schon Arbeitsplätze. plainGPT und GenoGPT von Atruvia und S-KIPilot der Finanz Informatik verfolgen dasselbe Ziel mit unterschiedlichem Tempo: Beide bringen generative KI regulatorisch abgesichert in die Fläche ihrer Institute, doch die Sparkassen-Lösung ist im Rollout deutlich weiter dokumentiert als die genossenschaftliche. Dieser Vergleich ordnet beide Ansätze nach Funktion, Reife und Eignung ein.

Was ist plainGPT von Atruvia?

Atruvia, der IT-Dienstleister der genossenschaftlichen Finanzgruppe, positioniert plainGPT als regulatorisch einwandfreie, konforme und datenschutzrechtlich abgesicherte generative KI-Lösung. plainGPT ist als erster Schritt gedacht: Es integriert KI in tägliche Arbeitsabläufe, unterstützt bei Routineaufgaben und baut so KI-Kompetenz über Abteilungen hinweg auf. Der Zweck ist bewusst niedrigschwellig. plainGPT soll die Hemmschwelle senken und die Institute auf weitere KI-Werkzeuge vorbereiten.

Was leistet GenoGPT zusätzlich?

GenoGPT setzt auf plainGPT auf und erweitert es zum Wissensmanagement. Es bündelt den Zugriff auf die Informationsquellen eines Instituts und dient als erste Anlaufstelle für Mitarbeiterfragen, indem es aus integrierten Wissensdatenbanken Antworten liefert. Damit adressiert GenoGPT ein reales Problem: die tägliche Suche nach Rundschreiben, Anleitungen und Produktinformationen. Aus einem allgemeinen Assistenten wird ein institutsspezifischer Wissenszugang.

Was ist S-KIPilot der Finanz Informatik?

Die Finanz Informatik, der IT-Dienstleister der Sparkassen-Finanzgruppe, betreibt S-KIPilot als KI-Assistenten für die Sparkassen. S-KIPilot ist tief in die Wissensbasis und das Kernbankensystem der Sparkassen integriert. Der Assistent unterstützt die Beratungsvorbereitung mit Konto-, Transaktions- und Vertragsinformationen, identifiziert Vertriebsansätze, liefert personalisierte Produktempfehlungen und stärkt die Betrugsprävention. S-KIPilot ist damit weniger allgemeiner Chatassistent als eingebettetes Fachwerkzeug.

Wie weit ist der Rollout jeweils?

Hier trennen sich die Wege am deutlichsten. Für S-KIPilot nennt die Finanz Informatik konkrete Zahlen: Start im Sommer 2024 an 30.000 Arbeitsplätzen der Sparkassen, im Dezember 2024 bereits rund 60.000 profitierende Mitarbeiter, und als Ziel bis Ende 2025 etwa 200.000 Beschäftigte der Sparkassen-Finanzgruppe. Für plainGPT und GenoGPT sind öffentlich kaum vergleichbare Rollout-Zahlen genannt. Die Kommunikation von Atruvia konzentriert sich auf Funktion und Demonstration, etwa auf den Solution Days mit rund 3.500 Teilnehmern in drei deutschen Städten, weniger auf Verbreitungsmetriken.

Welche Funktionstiefe bieten die Lösungen?

S-KIPilot hat seine Funktion sichtbar ausgebaut. Auf eine erste Version mit allgemeinen Sprachmodellfähigkeiten im Sommer 2024 folgte Ende 2024 die Funktion Sparkassenschlau, die den Zugriff auf institutsspezifisches Wissen ermöglicht. Für 2025 ist die Einbindung weiterer Wissensquellen sowie halbautonomer Agenten für komplexe, mehrstufige Aufgaben angekündigt. GenoGPT deckt mit dem Wissensmanagement einen ähnlichen Anspruch ab, ist in der öffentlichen Darstellung aber weniger stark an das Kernbankensystem gekoppelt als S-KIPilot.

Wie steht es um Datenschutz und Regulatorik?

Beide Anbieter stellen Compliance in den Vordergrund, und das aus gutem Grund. Atruvia betont bei plainGPT ausdrücklich die regulatorische Konformität und den Datenschutz. S-KIPilot ist als integrierte Lösung innerhalb der Sparkassen-Infrastruktur konzipiert und damit von vornherein auf das aufsichtsrechtliche Umfeld ausgerichtet. Für Institute ist genau das der entscheidende Unterschied zu frei zugänglichen Sprachmodellen: Die Rechenzentrumslösungen bringen den Datenschutz mit, statt ihn dem einzelnen Haus zu überlassen. Das ist auch die wirksamste Antwort auf die Schatten-KI in Instituten.

Wo liegen die Stärken der genossenschaftlichen Lösung?

Der gestufte Ansatz aus plainGPT und GenoGPT ist didaktisch klug. Er beginnt mit einem breiten, einfachen Einstieg und baut darauf ein Wissensmanagement auf. Für Institute, die KI-Kompetenz erst in der Fläche aufbauen wollen, senkt das die Einstiegshürde. Der Fokus auf Akzeptanz und schrittweise Gewöhnung passt zu Häusern, in denen die Skepsis gegenüber KI noch groß ist. Die Grenze liegt in der bislang dünnen öffentlichen Evidenz zur produktiven Verbreitung.

Wo liegen die Stärken der Sparkassen-Lösung?

S-KIPilot punktet mit Reife und Integration. Die tiefe Kopplung an das Kernbankensystem hebt den Assistenten über einen reinen Chatbot hinaus und bringt ihn direkt in die Beratung. Die dokumentierte Skalierung auf sechsstellige Nutzerzahlen zeigt, dass die Lösung die Fläche erreicht, nicht nur die Pilotgruppe. Die Grenze: Je tiefer die Integration, desto stärker die Abhängigkeit vom zentralen Dienstleister und desto wichtiger die instituteigene Modell- und Datenkontrolle.

Welcher Weg passt für welches Institut?

Die Wahl trifft in der Praxis nicht das einzelne Haus, sondern die Gruppenzugehörigkeit: Sparkassen nutzen S-KIPilot, Genossenschaftsbanken plainGPT und GenoGPT. Die eigentliche Frage lautet daher nicht welche Lösung, sondern wie schnell und wie tief ein Institut die vorhandene Lösung in seine Prozesse zieht. Ein Haus, das den Assistenten nur als Chatfenster nutzt, schöpft einen Bruchteil des Potenzials. Eines, das ihn in Beratung, Marktfolge und Wissenszugang verankert, hebt echten Mehrwert.

Was entscheidet über den Nutzen, unabhängig vom Anbieter?

Der Assistent ist nur das Werkzeug. Den Ausschlag geben Datenqualität, Prozessanbindung und die Bereitschaft, Abläufe wirklich zu verändern. Wo Daten in Silos liegen und Schnittstellen fehlen, bleibt auch der beste KI-Assistent an der Oberfläche. Warum Automatisierung trotz solcher Werkzeuge oft langsamer vorankommt als erwartet, zeigt der Beitrag dazu, warum die Dunkelverarbeitung trotz KI stockt.

Was Institute jetzt tun sollten

Der Vergleich zeigt: Der Vorsprung entsteht nicht durch die Wahl des Rechenzentrums, sondern durch die Konsequenz der Nutzung. Institute sollten zuerst klären, wo ihr Assistent den größten Zeitgewinn bringt, und diese Anwendungsfälle mit Prozess und Datenbasis absichern. Danach folgt die Ausweitung, gemessen an konkreten Ergebnissen statt an Nutzungsstatistik. Sotica unterstützt Häuser beider Gruppen mit einer Potenzialanalyse und einem Workshop, der die vorhandene KI-Lösung in konkrete, messbare Anwendungsfälle übersetzt.