Insight
Von der KI-Strategie in den Betrieb: Wer schließt die Umsetzungslücke?
Warum KI-Strategien in Finanzinstituten zwischen Konzept und IT versanden und wie eine durchgängige Verantwortung bis zum Regelbetrieb die Lücke schließt.
Geschäftsmodell und Innovation
7 min Lesezeit
Kernaussage
Eine KI-Strategie entscheidet sich nicht im Foliensatz, sondern im Betrieb. Wer die Übersetzung vom Konzept zum Anwendungsfall niemandem zuweist, finanziert Papier statt Wirkung.

Die wichtigsten Erkenntnisse
Zwischen Konzept und IT liegt die eigentliche Arbeit
Datenqualität entscheidet über den Projekterfolg
Durchgängige Verantwortung bis zum Betrieb
Die Strategie ist fertig. Und jetzt?
In der Branche wiederholt sich ein Muster mit irritierender Regelmäßigkeit. Eine KI-Strategie wird erarbeitet, das Management stimmt zu, das Projekt beginnt. Dann zeigt sich: Niemand weiß genau, wie aus dem Foliensatz ein produktives System wird. Die IT hat ein Ticketsystem, der Fachbereich eine Anforderungsliste, und zwischen beiden klafft eine Lücke, in der das Vorhaben langsam versandet.
Eine solche Lücke ist nicht die Ausnahme, sondern der Normalfall. Eine KI-Strategie entscheidet sich nicht im Konzept, sondern im Betrieb: Viele KI-Projekte in Finanzinstituten scheitern weder an einer falschen Strategie noch an fehlender Technik, sondern daran, dass niemand die Übersetzung vom Konzept zum produktiven Anwendungsfall verantwortet.
Warum finden Konzept und Umsetzung so oft nicht zusammen?
Weil zwei Welten mit unterschiedlicher Logik aufeinandertreffen. Auf der einen Seite steht die Konzeptarbeit. Sie denkt in Marktanalysen, Zielbildern und Roadmaps; ihr Ergebnis ist ein überzeugendes Konzept, das dem Management die Richtung weist. Ist das Konzept beschlossen, gilt der Auftrag oft als erfüllt.
Auf der anderen Seite steht der IT-Dienstleister. Er denkt in Anforderungen, Tickets und Releases; sein Ergebnis ist funktionierende Software nach Spezifikation. Er baut, was beauftragt wird, aber er übersetzt keine Strategie in eine Anforderung, er setzt sie voraus.
Zwischen beiden liegt die eigentliche Arbeit: aus dem Zielbild konkrete Anwendungsfälle ableiten, sie priorisieren, in umsetzbare Anforderungen übersetzen, Fachbereiche einbinden, die Datengrundlage prüfen, die Umsetzung steuern und das Ergebnis in den Betrieb überführen. Genau diese Arbeit fällt in die Lücke, weil die eine Seite sie für IT hält und die andere für Strategie. Welche Fehler eine KI-Strategie schon vorher anfällig machen, beschreibt der Beitrag zu den drei häufigsten Fehlern bei der KI-Strategie.
Was zeigen Studien zum Scheitern von KI-Projekten?
Sie bestätigen, dass das Problem selten technischer Natur ist. Die RAND Corporation verweist in einem Bericht von 2024 auf Schätzungen, nach denen mehr als 80 Prozent der KI-Projekte scheitern. Als erste Ursache nennt RAND, dass Führung und Fachleute das Problem, das die KI lösen soll, unterschiedlich verstehen oder missverständlich kommunizieren; weitere Ursachen sind fehlende Daten, fehlende Infrastruktur für Datenhaltung und Betrieb sowie der Vorrang der neuesten Technik vor dem eigentlichen Problem.
Für Deutschland liefert die FS&I-Umfrage 2025 von Dun & Bradstreet einen konkreten Befund zur Datenbasis: 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer haben bereits KI-Projekte erlebt, die an schlechter Datenqualität gescheitert sind. 43 Prozent der Befragten in Deutschland vertrauen ihren eigenen Daten nicht. Auch das ist kein Technikproblem im engeren Sinn, sondern eine Frage der Vorbereitung und der Übersetzung zwischen Fachbereich und System, also genau jener Arbeit, die in der Lücke liegt. Wie eng Datenqualität und Vertrauen zusammenhängen, vertieft der Beitrag zur Vertrauenswürdigkeit von KI in Banken.

Warum ist die Lücke so teuer?
Weil sie spät sichtbar wird. Das Konzept liegt vor, das Projekt gilt als gestartet. Erst Monate später, wenn das produktive System ausbleibt, wird klar, dass niemand den Weg vom Konzept zum Betrieb verantwortet hat. Bis dahin sind Zeit und Budget gebunden, ohne dass ein nutzbares Ergebnis entstanden ist.
Hinzu kommt der Vertrauensverlust. Jedes KI-Projekt, das nach großer Ankündigung im Sande verläuft, macht das nächste schwerer. Mitarbeitende lernen, dass KI ein Thema für Folien ist, nicht für die Praxis. Besonders bitter: Oft war die Strategie gar nicht schlecht, und die Technik wäre verfügbar gewesen. Gescheitert ist das Vorhaben an einer organisatorischen Leerstelle, die niemand besetzt hat.
Wie sieht ein leise gescheitertes KI-Projekt aus?
Es folgt einer erkennbaren Abfolge. Am Anfang steht die Begeisterung über die Strategie, die Roadmap wird beschlossen, das Budget freigegeben. Dann beginnt die Umsetzung, und die ersten Reibungen treten auf: Die Daten sind nicht so verfügbar wie gedacht, der Fachbereich hat andere Vorstellungen als das Konzept, die IT braucht eine präzisere Anforderung, als irgendjemand liefern kann.
In dieser Phase entscheidet sich alles. Löst jemand die Reibungen auf, schärft die Anforderungen und bringt die Beteiligten zusammen, kommt das Projekt voran. Fehlt diese Rolle, warten die Beteiligten aufeinander, und das Vorhaben verebbt, bis es nicht mehr erwähnt wird. Dieses leise Verebben ist gefährlicher als ein lautes Scheitern, weil es folgenlos bleibt: Die Organisation lernt nicht, woran es lag, und wiederholt das Muster beim nächsten Projekt.
Warum schließen interne Teams die Lücke selten allein?
Aus zwei Gründen. Der erste ist die Kapazität: Die fähigen Mitarbeitenden sind im Tagesgeschäft gebunden. Das Projekt läuft neben allem anderen, und neben allem anderen bedeutet meist hinter allem anderen. Der zweite ist die Erfahrung: Die Übersetzung von Strategie in produktive Systeme ist eine eigene Disziplin, die sich nicht nebenbei lernen lässt. Sie verlangt Erfahrung mit ähnlichen Vorhaben, mit typischen Stolperstellen und mit der Steuerung zwischen Fachbereich und IT.
Die Rolle verlangt deshalb eine seltene Kombination: Verständnis für Geschäft und Strategie, um die richtigen Anwendungsfälle abzuleiten; technisches Verständnis, um Anforderungen zu formulieren und die Umsetzung zu steuern; und Kenntnis der Finanzbranche, um Fachbereiche, Datenlage und regulatorische Anforderungen zusammenzubringen. Wer nur eines davon mitbringt, füllt die Lücke nicht.
Wie lässt sich die Lücke schließen?
In drei Schritten. Erstens wird die Lücke als eigene Aufgabe benannt. Solange das Institut glaubt, mit Strategie und IT sei alles abgedeckt, wird die Übersetzungsarbeit niemandem zugewiesen. Zweitens beginnt die Umsetzung mit einem konkreten Anwendungsfall, der schnell produktiv wird und Vertrauen schafft, statt mit der gesamten Strategie auf einmal. Drittens gibt es eine durchgängige Verantwortung bis zum Regelbetrieb: eine Stelle, die das Vorhaben von der Anforderung über die Umsetzung bis in den Betrieb trägt und Fachbereich, IT und externe Partner zusammenhält.

Eine solche Begleitung ersetzt weder Strategie noch IT, sie verbindet beide. Ohne Strategie fehlt ihr die Richtung, ohne IT die Umsetzungskraft. Der Wert der Begleitung liegt genau im Dazwischen: Sie übersetzt das Zielbild in Anforderungen, die die IT umsetzen kann, und führt das Ergebnis zurück in den Fachbereich.
Welcher Anwendungsfall eignet sich für den Anfang?
Einer, der drei Eigenschaften vereint: spürbarer Nutzen, damit der Erfolg sichtbar wird; überschaubarer Umfang, damit er in vertretbarer Zeit produktiv wird; und eine verfügbare Datengrundlage, damit er nicht an der Datenlage scheitert. Der häufige Fehler ist, mit dem ehrgeizigsten Fall zu beginnen. Er ist meist auch der komplexeste, und sein Scheitern beschädigt das ganze Thema. Besser ist der sichtbare Erfolg, der den nächsten, größeren Fall trägt.
Zum ersten Fall gehört der Betrieb von Anfang an. Schon bei der Konzeption muss klar sein, wer das System später verantwortet, wie es gewartet und überwacht wird, wo es betrieben wird und wie es in die täglichen Abläufe eingebettet ist. Welche Rolle der Betriebsort für einen prüfbaren KI-Betrieb spielt, beschreibt der Beitrag zur Cloud-Souveränität im KI-Betrieb.
Was das Management jetzt festlegen kann
Die Übersetzungsarbeit als eigene Aufgabe benennen und mit Budget und Mandat ausstatten.
Eine durchgängige Verantwortung bis zum Regelbetrieb festlegen, die Fachbereich, IT und Partner zusammenhält.
Mit einem überschaubaren Anwendungsfall beginnen, der auf verfügbaren Daten aufsetzt und schnell sichtbar wirkt.
Datenqualität vor dem Start prüfen, statt sie im Projekt zu entdecken.
Betrieb und Wartung schon in der Konzeption klären, damit das System nach Projektende nicht verwaist.
Häufige Fragen
Warum scheitern KI-Strategien in Finanzinstituten an der Umsetzung?
Meist, weil niemand die Übersetzung vom Konzept in konkrete Anwendungsfälle, Anforderungen und Betrieb verantwortet. Die Arbeit fällt zwischen Konzeptphase und IT-Dienstleister.
Welche Rolle spielt die Datenqualität?
Eine große. Nach der FS&I-Umfrage 2025 von Dun & Bradstreet haben in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer bereits KI-Projekte erlebt, die an schlechter Datenqualität gescheitert sind.
Kann ein internes Team die Lücke schließen?
Grundsätzlich ja, wenn es die nötige Kapazität und Erfahrung hat. In der Praxis sind die geeigneten Personen oft im Tagesgeschäft gebunden, weshalb viele Institute die Rolle zumindest für den ersten Anwendungsfall mit externer Unterstützung besetzen.
Weitere Beiträge zu Anwendungsfällen, Plattformen und Steuerung bündelt das Dossier KI-Strategie & Plattformen.
Wer im eigenen Institut den Weg vom Konzept bis in den Regelbetrieb verantwortet, lässt sich oft nicht auf Anhieb beantworten, und genau dort beginnt die Arbeit. Über einen ersten Austausch dazu freuen wir uns.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Zwischen Konzept und IT liegt die eigentliche Arbeit
Datenqualität entscheidet über den Projekterfolg
Durchgängige Verantwortung bis zum Betrieb
Die Strategie ist fertig. Und jetzt?
In der Branche wiederholt sich ein Muster mit irritierender Regelmäßigkeit. Eine KI-Strategie wird erarbeitet, das Management stimmt zu, das Projekt beginnt. Dann zeigt sich: Niemand weiß genau, wie aus dem Foliensatz ein produktives System wird. Die IT hat ein Ticketsystem, der Fachbereich eine Anforderungsliste, und zwischen beiden klafft eine Lücke, in der das Vorhaben langsam versandet.
Eine solche Lücke ist nicht die Ausnahme, sondern der Normalfall. Eine KI-Strategie entscheidet sich nicht im Konzept, sondern im Betrieb: Viele KI-Projekte in Finanzinstituten scheitern weder an einer falschen Strategie noch an fehlender Technik, sondern daran, dass niemand die Übersetzung vom Konzept zum produktiven Anwendungsfall verantwortet.
Warum finden Konzept und Umsetzung so oft nicht zusammen?
Weil zwei Welten mit unterschiedlicher Logik aufeinandertreffen. Auf der einen Seite steht die Konzeptarbeit. Sie denkt in Marktanalysen, Zielbildern und Roadmaps; ihr Ergebnis ist ein überzeugendes Konzept, das dem Management die Richtung weist. Ist das Konzept beschlossen, gilt der Auftrag oft als erfüllt.
Auf der anderen Seite steht der IT-Dienstleister. Er denkt in Anforderungen, Tickets und Releases; sein Ergebnis ist funktionierende Software nach Spezifikation. Er baut, was beauftragt wird, aber er übersetzt keine Strategie in eine Anforderung, er setzt sie voraus.
Zwischen beiden liegt die eigentliche Arbeit: aus dem Zielbild konkrete Anwendungsfälle ableiten, sie priorisieren, in umsetzbare Anforderungen übersetzen, Fachbereiche einbinden, die Datengrundlage prüfen, die Umsetzung steuern und das Ergebnis in den Betrieb überführen. Genau diese Arbeit fällt in die Lücke, weil die eine Seite sie für IT hält und die andere für Strategie. Welche Fehler eine KI-Strategie schon vorher anfällig machen, beschreibt der Beitrag zu den drei häufigsten Fehlern bei der KI-Strategie.
Was zeigen Studien zum Scheitern von KI-Projekten?
Sie bestätigen, dass das Problem selten technischer Natur ist. Die RAND Corporation verweist in einem Bericht von 2024 auf Schätzungen, nach denen mehr als 80 Prozent der KI-Projekte scheitern. Als erste Ursache nennt RAND, dass Führung und Fachleute das Problem, das die KI lösen soll, unterschiedlich verstehen oder missverständlich kommunizieren; weitere Ursachen sind fehlende Daten, fehlende Infrastruktur für Datenhaltung und Betrieb sowie der Vorrang der neuesten Technik vor dem eigentlichen Problem.
Für Deutschland liefert die FS&I-Umfrage 2025 von Dun & Bradstreet einen konkreten Befund zur Datenbasis: 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer haben bereits KI-Projekte erlebt, die an schlechter Datenqualität gescheitert sind. 43 Prozent der Befragten in Deutschland vertrauen ihren eigenen Daten nicht. Auch das ist kein Technikproblem im engeren Sinn, sondern eine Frage der Vorbereitung und der Übersetzung zwischen Fachbereich und System, also genau jener Arbeit, die in der Lücke liegt. Wie eng Datenqualität und Vertrauen zusammenhängen, vertieft der Beitrag zur Vertrauenswürdigkeit von KI in Banken.

Warum ist die Lücke so teuer?
Weil sie spät sichtbar wird. Das Konzept liegt vor, das Projekt gilt als gestartet. Erst Monate später, wenn das produktive System ausbleibt, wird klar, dass niemand den Weg vom Konzept zum Betrieb verantwortet hat. Bis dahin sind Zeit und Budget gebunden, ohne dass ein nutzbares Ergebnis entstanden ist.
Hinzu kommt der Vertrauensverlust. Jedes KI-Projekt, das nach großer Ankündigung im Sande verläuft, macht das nächste schwerer. Mitarbeitende lernen, dass KI ein Thema für Folien ist, nicht für die Praxis. Besonders bitter: Oft war die Strategie gar nicht schlecht, und die Technik wäre verfügbar gewesen. Gescheitert ist das Vorhaben an einer organisatorischen Leerstelle, die niemand besetzt hat.
Wie sieht ein leise gescheitertes KI-Projekt aus?
Es folgt einer erkennbaren Abfolge. Am Anfang steht die Begeisterung über die Strategie, die Roadmap wird beschlossen, das Budget freigegeben. Dann beginnt die Umsetzung, und die ersten Reibungen treten auf: Die Daten sind nicht so verfügbar wie gedacht, der Fachbereich hat andere Vorstellungen als das Konzept, die IT braucht eine präzisere Anforderung, als irgendjemand liefern kann.
In dieser Phase entscheidet sich alles. Löst jemand die Reibungen auf, schärft die Anforderungen und bringt die Beteiligten zusammen, kommt das Projekt voran. Fehlt diese Rolle, warten die Beteiligten aufeinander, und das Vorhaben verebbt, bis es nicht mehr erwähnt wird. Dieses leise Verebben ist gefährlicher als ein lautes Scheitern, weil es folgenlos bleibt: Die Organisation lernt nicht, woran es lag, und wiederholt das Muster beim nächsten Projekt.
Warum schließen interne Teams die Lücke selten allein?
Aus zwei Gründen. Der erste ist die Kapazität: Die fähigen Mitarbeitenden sind im Tagesgeschäft gebunden. Das Projekt läuft neben allem anderen, und neben allem anderen bedeutet meist hinter allem anderen. Der zweite ist die Erfahrung: Die Übersetzung von Strategie in produktive Systeme ist eine eigene Disziplin, die sich nicht nebenbei lernen lässt. Sie verlangt Erfahrung mit ähnlichen Vorhaben, mit typischen Stolperstellen und mit der Steuerung zwischen Fachbereich und IT.
Die Rolle verlangt deshalb eine seltene Kombination: Verständnis für Geschäft und Strategie, um die richtigen Anwendungsfälle abzuleiten; technisches Verständnis, um Anforderungen zu formulieren und die Umsetzung zu steuern; und Kenntnis der Finanzbranche, um Fachbereiche, Datenlage und regulatorische Anforderungen zusammenzubringen. Wer nur eines davon mitbringt, füllt die Lücke nicht.
Wie lässt sich die Lücke schließen?
In drei Schritten. Erstens wird die Lücke als eigene Aufgabe benannt. Solange das Institut glaubt, mit Strategie und IT sei alles abgedeckt, wird die Übersetzungsarbeit niemandem zugewiesen. Zweitens beginnt die Umsetzung mit einem konkreten Anwendungsfall, der schnell produktiv wird und Vertrauen schafft, statt mit der gesamten Strategie auf einmal. Drittens gibt es eine durchgängige Verantwortung bis zum Regelbetrieb: eine Stelle, die das Vorhaben von der Anforderung über die Umsetzung bis in den Betrieb trägt und Fachbereich, IT und externe Partner zusammenhält.

Eine solche Begleitung ersetzt weder Strategie noch IT, sie verbindet beide. Ohne Strategie fehlt ihr die Richtung, ohne IT die Umsetzungskraft. Der Wert der Begleitung liegt genau im Dazwischen: Sie übersetzt das Zielbild in Anforderungen, die die IT umsetzen kann, und führt das Ergebnis zurück in den Fachbereich.
Welcher Anwendungsfall eignet sich für den Anfang?
Einer, der drei Eigenschaften vereint: spürbarer Nutzen, damit der Erfolg sichtbar wird; überschaubarer Umfang, damit er in vertretbarer Zeit produktiv wird; und eine verfügbare Datengrundlage, damit er nicht an der Datenlage scheitert. Der häufige Fehler ist, mit dem ehrgeizigsten Fall zu beginnen. Er ist meist auch der komplexeste, und sein Scheitern beschädigt das ganze Thema. Besser ist der sichtbare Erfolg, der den nächsten, größeren Fall trägt.
Zum ersten Fall gehört der Betrieb von Anfang an. Schon bei der Konzeption muss klar sein, wer das System später verantwortet, wie es gewartet und überwacht wird, wo es betrieben wird und wie es in die täglichen Abläufe eingebettet ist. Welche Rolle der Betriebsort für einen prüfbaren KI-Betrieb spielt, beschreibt der Beitrag zur Cloud-Souveränität im KI-Betrieb.
Was das Management jetzt festlegen kann
Die Übersetzungsarbeit als eigene Aufgabe benennen und mit Budget und Mandat ausstatten.
Eine durchgängige Verantwortung bis zum Regelbetrieb festlegen, die Fachbereich, IT und Partner zusammenhält.
Mit einem überschaubaren Anwendungsfall beginnen, der auf verfügbaren Daten aufsetzt und schnell sichtbar wirkt.
Datenqualität vor dem Start prüfen, statt sie im Projekt zu entdecken.
Betrieb und Wartung schon in der Konzeption klären, damit das System nach Projektende nicht verwaist.
Häufige Fragen
Warum scheitern KI-Strategien in Finanzinstituten an der Umsetzung?
Meist, weil niemand die Übersetzung vom Konzept in konkrete Anwendungsfälle, Anforderungen und Betrieb verantwortet. Die Arbeit fällt zwischen Konzeptphase und IT-Dienstleister.
Welche Rolle spielt die Datenqualität?
Eine große. Nach der FS&I-Umfrage 2025 von Dun & Bradstreet haben in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer bereits KI-Projekte erlebt, die an schlechter Datenqualität gescheitert sind.
Kann ein internes Team die Lücke schließen?
Grundsätzlich ja, wenn es die nötige Kapazität und Erfahrung hat. In der Praxis sind die geeigneten Personen oft im Tagesgeschäft gebunden, weshalb viele Institute die Rolle zumindest für den ersten Anwendungsfall mit externer Unterstützung besetzen.
Weitere Beiträge zu Anwendungsfällen, Plattformen und Steuerung bündelt das Dossier KI-Strategie & Plattformen.
Wer im eigenen Institut den Weg vom Konzept bis in den Regelbetrieb verantwortet, lässt sich oft nicht auf Anhieb beantworten, und genau dort beginnt die Arbeit. Über einen ersten Austausch dazu freuen wir uns.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Zwischen Konzept und IT liegt die eigentliche Arbeit
Datenqualität entscheidet über den Projekterfolg
Durchgängige Verantwortung bis zum Betrieb
Die Strategie ist fertig. Und jetzt?
In der Branche wiederholt sich ein Muster mit irritierender Regelmäßigkeit. Eine KI-Strategie wird erarbeitet, das Management stimmt zu, das Projekt beginnt. Dann zeigt sich: Niemand weiß genau, wie aus dem Foliensatz ein produktives System wird. Die IT hat ein Ticketsystem, der Fachbereich eine Anforderungsliste, und zwischen beiden klafft eine Lücke, in der das Vorhaben langsam versandet.
Eine solche Lücke ist nicht die Ausnahme, sondern der Normalfall. Eine KI-Strategie entscheidet sich nicht im Konzept, sondern im Betrieb: Viele KI-Projekte in Finanzinstituten scheitern weder an einer falschen Strategie noch an fehlender Technik, sondern daran, dass niemand die Übersetzung vom Konzept zum produktiven Anwendungsfall verantwortet.
Warum finden Konzept und Umsetzung so oft nicht zusammen?
Weil zwei Welten mit unterschiedlicher Logik aufeinandertreffen. Auf der einen Seite steht die Konzeptarbeit. Sie denkt in Marktanalysen, Zielbildern und Roadmaps; ihr Ergebnis ist ein überzeugendes Konzept, das dem Management die Richtung weist. Ist das Konzept beschlossen, gilt der Auftrag oft als erfüllt.
Auf der anderen Seite steht der IT-Dienstleister. Er denkt in Anforderungen, Tickets und Releases; sein Ergebnis ist funktionierende Software nach Spezifikation. Er baut, was beauftragt wird, aber er übersetzt keine Strategie in eine Anforderung, er setzt sie voraus.
Zwischen beiden liegt die eigentliche Arbeit: aus dem Zielbild konkrete Anwendungsfälle ableiten, sie priorisieren, in umsetzbare Anforderungen übersetzen, Fachbereiche einbinden, die Datengrundlage prüfen, die Umsetzung steuern und das Ergebnis in den Betrieb überführen. Genau diese Arbeit fällt in die Lücke, weil die eine Seite sie für IT hält und die andere für Strategie. Welche Fehler eine KI-Strategie schon vorher anfällig machen, beschreibt der Beitrag zu den drei häufigsten Fehlern bei der KI-Strategie.
Was zeigen Studien zum Scheitern von KI-Projekten?
Sie bestätigen, dass das Problem selten technischer Natur ist. Die RAND Corporation verweist in einem Bericht von 2024 auf Schätzungen, nach denen mehr als 80 Prozent der KI-Projekte scheitern. Als erste Ursache nennt RAND, dass Führung und Fachleute das Problem, das die KI lösen soll, unterschiedlich verstehen oder missverständlich kommunizieren; weitere Ursachen sind fehlende Daten, fehlende Infrastruktur für Datenhaltung und Betrieb sowie der Vorrang der neuesten Technik vor dem eigentlichen Problem.
Für Deutschland liefert die FS&I-Umfrage 2025 von Dun & Bradstreet einen konkreten Befund zur Datenbasis: 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer haben bereits KI-Projekte erlebt, die an schlechter Datenqualität gescheitert sind. 43 Prozent der Befragten in Deutschland vertrauen ihren eigenen Daten nicht. Auch das ist kein Technikproblem im engeren Sinn, sondern eine Frage der Vorbereitung und der Übersetzung zwischen Fachbereich und System, also genau jener Arbeit, die in der Lücke liegt. Wie eng Datenqualität und Vertrauen zusammenhängen, vertieft der Beitrag zur Vertrauenswürdigkeit von KI in Banken.

Warum ist die Lücke so teuer?
Weil sie spät sichtbar wird. Das Konzept liegt vor, das Projekt gilt als gestartet. Erst Monate später, wenn das produktive System ausbleibt, wird klar, dass niemand den Weg vom Konzept zum Betrieb verantwortet hat. Bis dahin sind Zeit und Budget gebunden, ohne dass ein nutzbares Ergebnis entstanden ist.
Hinzu kommt der Vertrauensverlust. Jedes KI-Projekt, das nach großer Ankündigung im Sande verläuft, macht das nächste schwerer. Mitarbeitende lernen, dass KI ein Thema für Folien ist, nicht für die Praxis. Besonders bitter: Oft war die Strategie gar nicht schlecht, und die Technik wäre verfügbar gewesen. Gescheitert ist das Vorhaben an einer organisatorischen Leerstelle, die niemand besetzt hat.
Wie sieht ein leise gescheitertes KI-Projekt aus?
Es folgt einer erkennbaren Abfolge. Am Anfang steht die Begeisterung über die Strategie, die Roadmap wird beschlossen, das Budget freigegeben. Dann beginnt die Umsetzung, und die ersten Reibungen treten auf: Die Daten sind nicht so verfügbar wie gedacht, der Fachbereich hat andere Vorstellungen als das Konzept, die IT braucht eine präzisere Anforderung, als irgendjemand liefern kann.
In dieser Phase entscheidet sich alles. Löst jemand die Reibungen auf, schärft die Anforderungen und bringt die Beteiligten zusammen, kommt das Projekt voran. Fehlt diese Rolle, warten die Beteiligten aufeinander, und das Vorhaben verebbt, bis es nicht mehr erwähnt wird. Dieses leise Verebben ist gefährlicher als ein lautes Scheitern, weil es folgenlos bleibt: Die Organisation lernt nicht, woran es lag, und wiederholt das Muster beim nächsten Projekt.
Warum schließen interne Teams die Lücke selten allein?
Aus zwei Gründen. Der erste ist die Kapazität: Die fähigen Mitarbeitenden sind im Tagesgeschäft gebunden. Das Projekt läuft neben allem anderen, und neben allem anderen bedeutet meist hinter allem anderen. Der zweite ist die Erfahrung: Die Übersetzung von Strategie in produktive Systeme ist eine eigene Disziplin, die sich nicht nebenbei lernen lässt. Sie verlangt Erfahrung mit ähnlichen Vorhaben, mit typischen Stolperstellen und mit der Steuerung zwischen Fachbereich und IT.
Die Rolle verlangt deshalb eine seltene Kombination: Verständnis für Geschäft und Strategie, um die richtigen Anwendungsfälle abzuleiten; technisches Verständnis, um Anforderungen zu formulieren und die Umsetzung zu steuern; und Kenntnis der Finanzbranche, um Fachbereiche, Datenlage und regulatorische Anforderungen zusammenzubringen. Wer nur eines davon mitbringt, füllt die Lücke nicht.
Wie lässt sich die Lücke schließen?
In drei Schritten. Erstens wird die Lücke als eigene Aufgabe benannt. Solange das Institut glaubt, mit Strategie und IT sei alles abgedeckt, wird die Übersetzungsarbeit niemandem zugewiesen. Zweitens beginnt die Umsetzung mit einem konkreten Anwendungsfall, der schnell produktiv wird und Vertrauen schafft, statt mit der gesamten Strategie auf einmal. Drittens gibt es eine durchgängige Verantwortung bis zum Regelbetrieb: eine Stelle, die das Vorhaben von der Anforderung über die Umsetzung bis in den Betrieb trägt und Fachbereich, IT und externe Partner zusammenhält.

Eine solche Begleitung ersetzt weder Strategie noch IT, sie verbindet beide. Ohne Strategie fehlt ihr die Richtung, ohne IT die Umsetzungskraft. Der Wert der Begleitung liegt genau im Dazwischen: Sie übersetzt das Zielbild in Anforderungen, die die IT umsetzen kann, und führt das Ergebnis zurück in den Fachbereich.
Welcher Anwendungsfall eignet sich für den Anfang?
Einer, der drei Eigenschaften vereint: spürbarer Nutzen, damit der Erfolg sichtbar wird; überschaubarer Umfang, damit er in vertretbarer Zeit produktiv wird; und eine verfügbare Datengrundlage, damit er nicht an der Datenlage scheitert. Der häufige Fehler ist, mit dem ehrgeizigsten Fall zu beginnen. Er ist meist auch der komplexeste, und sein Scheitern beschädigt das ganze Thema. Besser ist der sichtbare Erfolg, der den nächsten, größeren Fall trägt.
Zum ersten Fall gehört der Betrieb von Anfang an. Schon bei der Konzeption muss klar sein, wer das System später verantwortet, wie es gewartet und überwacht wird, wo es betrieben wird und wie es in die täglichen Abläufe eingebettet ist. Welche Rolle der Betriebsort für einen prüfbaren KI-Betrieb spielt, beschreibt der Beitrag zur Cloud-Souveränität im KI-Betrieb.
Was das Management jetzt festlegen kann
Die Übersetzungsarbeit als eigene Aufgabe benennen und mit Budget und Mandat ausstatten.
Eine durchgängige Verantwortung bis zum Regelbetrieb festlegen, die Fachbereich, IT und Partner zusammenhält.
Mit einem überschaubaren Anwendungsfall beginnen, der auf verfügbaren Daten aufsetzt und schnell sichtbar wirkt.
Datenqualität vor dem Start prüfen, statt sie im Projekt zu entdecken.
Betrieb und Wartung schon in der Konzeption klären, damit das System nach Projektende nicht verwaist.
Häufige Fragen
Warum scheitern KI-Strategien in Finanzinstituten an der Umsetzung?
Meist, weil niemand die Übersetzung vom Konzept in konkrete Anwendungsfälle, Anforderungen und Betrieb verantwortet. Die Arbeit fällt zwischen Konzeptphase und IT-Dienstleister.
Welche Rolle spielt die Datenqualität?
Eine große. Nach der FS&I-Umfrage 2025 von Dun & Bradstreet haben in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer bereits KI-Projekte erlebt, die an schlechter Datenqualität gescheitert sind.
Kann ein internes Team die Lücke schließen?
Grundsätzlich ja, wenn es die nötige Kapazität und Erfahrung hat. In der Praxis sind die geeigneten Personen oft im Tagesgeschäft gebunden, weshalb viele Institute die Rolle zumindest für den ersten Anwendungsfall mit externer Unterstützung besetzen.
Weitere Beiträge zu Anwendungsfällen, Plattformen und Steuerung bündelt das Dossier KI-Strategie & Plattformen.
Wer im eigenen Institut den Weg vom Konzept bis in den Regelbetrieb verantwortet, lässt sich oft nicht auf Anhieb beantworten, und genau dort beginnt die Arbeit. Über einen ersten Austausch dazu freuen wir uns.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.



