Viele Piloten, kaum Prozesse: Warum KI in Banken nicht skaliert

Alle haben einen Piloten. Kaum jemand hat einen Prozess.

Fast jede Bank kann inzwischen einen KI-Prototypen vorführen. Deutlich weniger können zeigen, wo er im Tagesgeschäft Arbeit übernimmt. KI-Projekte in Banken scheitern selten an der Technik, sondern am Übergang in den laufenden Prozess: Ein Modell erzeugt erst dann Wert, wenn seine Ausgabe ohne Umweg weiterverarbeitet wird und jemand den Regelbetrieb verantwortet.

Wie viele KI-Piloten erreichen den Regelbetrieb?

Wenige, und die Zahlen dazu sind unbequem. Der Bericht „The GenAI Divide: State of AI in Business 2025“ der MIT-Initiative NANDA kommt nach Auswertung von über 300 veröffentlichten KI-Initiativen, Interviews mit 52 Organisationen und 153 Befragungen zu dem Ergebnis, dass 95 Prozent der Organisationen keinen messbaren Ertrag aus generativer KI erzielen. Die Autoren betonen selbst, dass ihre Werte auf Interviews beruhen und als Richtung zu lesen sind; die Zahl ist branchenübergreifend.

Gartner hat im Juli 2024 prognostiziert, dass mindestens 30 Prozent der Projekte mit generativer KI bis Ende 2025 nach dem Proof of Concept, also dem Machbarkeitsnachweis, abgebrochen werden. Als Gründe nennt Gartner schlechte Datenqualität, unzureichende Risikokontrollen, steigende Kosten oder unklaren Geschäftswert. Die RAND Corporation verweist in einem Bericht von 2024 auf Schätzungen, nach denen mehr als 80 Prozent der KI-Projekte scheitern.

Für deutsche Banken liefert Deloitte einen genaueren Blick. Die Studie „Künstliche Intelligenz im Bankensektor“ vom November 2025 beruht auf einer Erhebung bei 40 Banken mit rund einem Viertel der Bilanzsumme des deutschen Bankensektors: 95 Prozent haben KI eingeführt oder planen es, aber nur 15 Prozent haben KI umfassend in Governance und Organisation integriert. 83 Prozent arbeiten mit provisorischen KI-Infrastrukturen.

Ist das ein reines Bankenproblem?

Nein, die Assekuranz zeigt dasselbe Muster. Die europäische Versicherungsaufsicht EIOPA hat im Februar 2026 eine Umfrage unter 347 Versicherern aus 25 Ländern veröffentlicht. Knapp zwei Drittel nutzen generative KI aktiv, die meisten davon aber noch im Stadium des Machbarkeitsnachweises. 64 Prozent der gemeldeten Anwendungsfälle zielen auf Produktivität im Backoffice, 36 Prozent auf kundennahe Anwendungen wie Chatbots.

Als größte Hürden nennen die Versicherer Datenschutz und Datensicherheit, regulatorische Anforderungen und fehlendes Fachpersonal; bei den Risiken stehen falsche oder erfundene Ausgaben an erster Stelle. Eine eigene KI-Richtlinie hatten 49 Prozent der Unternehmen, 2023 war es erst ein Viertel. Keine dieser Hürden liegt im Sprachmodell selbst. Alle liegen in Organisation, Daten und Verantwortung.

Warum entscheidet der Prozess und nicht das Modell?

Weil ein Modell nur dort Zeit spart, wo seine Ausgabe ohne Nacharbeit weiterläuft. Ein Modell, das Kreditunterlagen liest, entlastet die Marktfolge erst, wenn die erkannten Daten in das Kernbankensystem fließen. Fehlt diese Anbindung, entsteht ein zusätzlicher Prüfschritt statt eines eingesparten. Die Bank hat dann ein Tool gekauft und einen Prozess verlängert.

Einsatz und Skalierung sind deshalb zwei verschiedene Zustände. Einsatz heißt: Ein Team nutzt das Modell, der Effekt bleibt lokal. Skalierung heißt: Der Anwendungsfall ist in den Standardablauf eingezogen, die Ausgabe wird automatisch weiterverarbeitet, und der Nutzen ist in einer Kennzahl sichtbar. Zwischen beiden Zuständen liegt kein technischer Schritt, sondern eine Entscheidung über Prozess, Verantwortung und Datenfluss. Warum ein KI-Einsatz ins Tagesgeschäft gehört statt ins Labor, zeigt der Beitrag KI gehört in den Prozess, nicht ins Labor.

Warum bleiben Institute im Pilotstadium hängen?

Weil der Pilot bequem ist und der Übergang unbequem. Der Pilot hat ein überschaubares Budget, ein eigenes Team, Aufmerksamkeit des Managements und eine abgegrenzte Testumgebung. Der Übergang in den Regelbetrieb bringt das Gegenteil: Integration in Bestandssysteme, verteilte Zuständigkeiten, Widerstand im Alltag und ein Management, dessen Aufmerksamkeit schon beim nächsten Vorhaben liegt.

Daraus entsteht ein Paradox. Jeder neue Pilot erzeugt Energie und das Gefühl, vorne dabei zu sein; der mühsame Weg in die Produktion erzeugt vor allem Reibung. So wächst ein Portfolio aus Anfängen ohne Enden. Die Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service mit 317 befragten Fachleuten aus deutschen Kreditinstituten beschreibt das Ergebnis: 70 Prozent der Befragten sehen die KI-Projekte ihres Instituts überwiegend als isolierte Einzelinitiativen. Warum das ein Strukturproblem ist, vertieft der Beitrag zu unkoordinierten KI-Initiativen in Banken.

Was gehört in einen Piloten, damit er skalieren kann?

Drei Bausteine, die im Piloten meist fehlen. Erstens die Integration: Das System muss in das führende Bestandssystem hinein, nicht daneben, sonst entsteht eine zweite Datenwelt, der niemand traut. Zweitens die Menschen: Wer täglich mit dem Ergebnis arbeitet, gehört früh in die Gestaltung, sonst sammelt das System Gegner statt Nutzer. Drittens die Governance: Geklärt ist, wer eine KI-gestützte Entscheidung verantwortet, wie sie dokumentiert wird und wann ein Mensch eingreift.

Hinzu kommt ein Messpunkt. Ein Pilot ohne festgelegte Zielkennzahl ist ein Experiment, kein Vorhaben. Wird vor dem Start festgehalten, welche Kennzahl sich verbessern soll, etwa Durchlaufzeit je Vorgang oder Nachforderungsquote, und um wie viel, lässt sich nach dem Pilot sachlich entscheiden. Wie sich diese Zahl vorab belastbar ermitteln lässt, beschreibt der Beitrag zum Business Case für KI.

Woran ist echte Skalierung erkennbar?

An einer Kennzahl, die sich verändert hat, und an einem System, über das niemand mehr spricht. Echte Skalierung ist unspektakulär: kürzere Durchlaufzeiten, weniger Nacharbeit, schnellere Entscheidungen. Mitarbeitende nutzen das System, weil es Teil ihres Alltags geworden ist. Und der zweite Anwendungsfall kommt schneller in den Betrieb als der erste, weil Datenzugang, Freigabeweg und Betriebsmodell schon stehen.

Genau diese Wiederholbarkeit ist der eigentliche Wert. Ein Institut mit zehn Piloten und keinem produktiven System hat viel investiert und wenig verändert. Ein Institut mit einem vollständig ausgerollten Anwendungsfall hat eine Fähigkeit aufgebaut, die sich auf den nächsten Prozess übertragen lässt.

Was das Management jetzt entscheiden sollte

1. Die Erfolgsdefinition ändern: nicht die Zahl gestarteter Piloten berichten, sondern die Zahl produktiv genutzter Anwendungen und ihre Wirkung auf eine Prozesskennzahl.

2. Jeden Piloten von hinten planen: vor dem Start festlegen, an welches System das Ergebnis andockt und wer den Regelbetrieb verantwortet.

3. Eine Zielkennzahl mit Stichtag festlegen, etwa die Durchlaufzeit je Vorgang nach 90 Tagen im Echtbetrieb.

4. Die Grundlagen einmal bauen: Datenzugang, Freigabeweg und Betriebsmodell so aufsetzen, dass der nächste Anwendungsfall sie wiederverwendet.

5. Laufende Piloten sortieren: überführen, zusammenlegen oder mit dokumentierter Begründung beenden.

Häufige Fragen

Warum scheitern so viele KI-Piloten in Banken?
Selten an der Technik. Meist fehlen Anbindung an die Kernsysteme, eine benannte Verantwortung für den Regelbetrieb und eine vorab festgelegte Kennzahl. Ohne diese drei Punkte bleibt der Nutzen im Testraum.

Was unterscheidet einen KI-Einsatz von einer Skalierung?
Beim Einsatz nutzt ein Team das Modell, der Effekt bleibt lokal. Bei der Skalierung ist der Anwendungsfall Teil des Standardablaufs, die Ausgabe wird automatisch weiterverarbeitet, und der Nutzen zeigt sich in einer Prozesskennzahl.

Ist der Befund bei Versicherern anders?
Nein. Nach der EIOPA-Umfrage von 2026 nutzen knapp zwei Drittel der befragten Versicherer generative KI aktiv, die meisten aber noch im Stadium des Machbarkeitsnachweises. Die Hürden sind dieselben: Daten, Regulierung und Fachpersonal.

Weitere Beiträge zu Anwendungsfällen, Plattformen und Steuerung bündelt das Dossier KI-Strategie & Plattformen.

Ob ein Pilot Zukunft hat, zeigt sich meist an einer schlichten Frage: Wer im Institut würde ihn morgen im Regelbetrieb verantworten? Wir freuen uns über ein erstes Gespräch zu diesem Thema.