KI erfordert neues Mindset in der gesamten Organisation

Der Umgang mit generativer KI und KI-Agenten in Finanzinstituten erfordert eine chancenorientierte Analyse, ein innovatives Mindset und ein iteratives Vorgehen, um Auswirkungen auf das Geschäftsmodell zu verstehen und Potenziale optimal zu nutzen.

Der Umgang mit neuen und sich rasant entwickelnden Technologien wie generativer KI und KI-Agenten stellt Finanzinstitute vor neue Herausforderungen.

Partner des Bank Blogs

Die Entwicklungsgeschwindigkeit von Künstlicher Intelligenz stellt Finanzinstitute vor enorme Herausforderungen. Modelle und Anwendungen entwickeln sich exponentiell, und neue Ausprägungen wie generative KI sowie KI-Agenten stellen ein noch teilweise unbekanntes Terrain dar, in dem Erfolgsfaktoren aber auch Herausforderungen noch nicht komplett identifiziert und definiert sind.

Aufgrund dieser Dynamik befinden wir uns in einem Zustand der kontinuierlichen Innovation – und dies erfordert ein entsprechendes innovatives Mindset innerhalb der gesamten Organisation. Wichtig für den erfolgreichen und zielgerichteten Umgang mit KI sind neben einer strategischen Positionierung daher

• ein offenes und chancenorientiertes Mindset, in dem neue Technologien systematisch hinsichtlich ihres Potenzials analysiert werden, und das innovatives Denken und Handeln fördert und …
• ein sinnvoller Umgang mit Unsicherheit und Risiko, der einerseits Innovationen fördert, andererseits aber auch Anwendungsfälle risikobasiert priorisiert und auf „Intelligentes Scheitern“ und Lernen fokussiert.

Strategisch und offen mit Veränderungen umgehen

Nachdem im November 2022 mit ChatGPT der Zugang zu Large Language Models (LLMs) für die breite Masse der Nutzer durch eine intuitive Interaktion in Form von natürlicher Sprache erfolgte, jagte gerade in den ersten Wochen von 2025 eine Meldung über ein neues oder performanteres KI-Modell die nächste. Die Entwicklung von multimodalen Modellen, der Einsatz von kleinen Modellen on-Device und die fortschreitenden Möglichkeiten von realistischer Stimmensynthese oder Videogenerierung haben die Anwendungen der letzten zwei Jahre geprägt.

Die neusten Trends sind Modelle, die komplexe mehrstufige Probleme durch Planung und iterative Überlegungen lösen, sowie KI-Agenten als spezifische Systeme oder Bestandteile größerer Systeme, die weitgehend autonom spezielle Aufgaben lösen und dabei bei Bedarf über Schnittstellen wie APIs mit anderen Systemen oder Agenten interagieren.

Angesichts der exponentiellen Entwicklungsgeschwindigkeit und des hohen Veränderungspotenzials reicht das Spektrum der Reaktionen in vielen Unternehmen von einer euphorischen Begeisterung, teilweise jedoch auch einhergehend mit einem großen Aktionismus, bis zu extremer Unsicherheit, häufig gepaart mit der Angst, Entwicklungen zu verpassen.

Um KI zielgerichtet und effizient im eigenen Unternehmen einzusetzen, müssen sich Führungskräfte systematisch und strategisch mit den neu aufkommenden Themen beschäftigen, die Chancen und Herausforderungen für das eigene Geschäftsmodell identifizieren und eine klare Zielvorstellung für den Einsatz dieser Technologien entwickeln. Dies ist wichtig, um sich auf die relevanten Themenfelder zu konzentrieren, wertvolle Ressourcen effizient einzusetzen und keine unnötige Verunsicherung und Frustration innerhalb der Organisation zu kreieren. Im Hinblick auf die Identifizierung, Priorisierung und Implementierung gehört dazu auch, die notwendigen Rahmenbedingungen und ein Mindset für innovatives Denken und Handeln zu schaffen.

Chancenorientierte Analyse des Geschäftsmodells

KI bedeutet für Finanzdienstleister eine Reihe von fundamentalen Veränderungen in allen Bereichen des Geschäftsmodells. In einigen Bereichen wie Compliance, Fraud und Risk Management ist der Einsatz etablierter KI-Methoden wie Maschine Learning schon seit Jahren Routine. Andere Bereiche werden sich durch den zunehmenden Einsatz von generativer KI und KI-Agenten in den nächsten Jahren signifikant verändern. Gerade bei diesen neuen Technologien geht es zunächst um das Sammeln erster Erfahrungen sowie die Identifikation und Priorisierung möglicher Einsatzgebiete und Use Cases.

Wichtig ist es daher, systematisch das eigene Geschäftsmodell zu überprüfen und strategische Zielrichtungen für den Einsatz von KI zu entwickeln. Typische Hebel sind einerseits Kostensenkungen und Effizienzsteigerungen, andererseits aber auch die Optimierung bestehender Produkte und Services mit dem Ziel eines besseren Kundenerlebnisses. Dies kann in der Folge zu einer höheren Kundenbindung, steigendem Share-of-Wallet, potenziellem Up- und Cross-Selling und Neukundenakquise führen. Aber auch der Aufbau komplett neuer Produkte und Geschäftsmodelle ist möglich, in denen die KI als Kernkomponente auftritt. Leitfragen sind unter anderem:

• Wie kann uns KI in den einzelnen Bereichen unseres Geschäftsmodells helfen, besser, schneller oder kostengünstiger zu werden?
• Wie kann uns KI helfen, in unserem bestehenden Produktportfolio einen Mehrwert für unsere Kunden zu generieren und das Kundenerlebnis zu optimieren?
• Welche Bedürfnisse und Pain Points unserer Kunden haben wir bisher noch nicht richtig adressieren können und wie kann uns KI dabei helfen, dies zu tun?
• Welche langfristigen großen Trends werden unser Geschäftsmodell signifikant beeinflussen und wie kann uns KI dabei unterstützen, damit umzugehen?

Für einen Einsatz von generativer KI bieten sich vier Bereiche an.

Generative KI und KI-Agenten beeinflussen potenziell viele Bereiche des Geschäftsmodells von Banken – darunter auch die Art, in der Kunden in Zukunft mit Finanzdienstleistungen interagieren. Derzeit liegt der Fokus der Use Cases noch auf interner Effizienz und Kosteneinsparung. Beispiele sind interne Chatbots, die große Mengen unstrukturierter Daten nutzbar machen oder der Einsatz von generativer KI als „Co-Worker“ für die Automatisierung manueller Aufgaben. Doch angesichts des Trends zu Embedded und Open Finance wird der Einsatz von KI an der Kundenschnittstelle für Banken zunehmend erfolgskritisch.

Mindset für innovatives Denken und Handeln

Gerade bei der Identifikation und der Priorisierung neuartiger Anwendungsfälle ist ein offenes und chancenorientiertes Mindset wichtig. Die organisationale DNA von traditionellen Banken ist typischerweise stark durch die Identifikation und Mitigierung von Risiken geprägt. In einer Reihe von Bereichen ist dies auch völlig richtig und wichtig. Aufgrund dieser tendenziellen organisationalen Risikoaversion ist es teilweise jedoch schwierig, das Ausprobieren neuer und innovativer Ideen zu fördern und voranzutreiben – und das auch in den Bereichen, in denen es aufgrund der signifikanten Veränderungen durch fundamentale Trends und neue Technologien zwingend notwendig ist.

Unterstützung der Mitarbeiter

Gerade im Umgang mit neuen Technologien – die wie bei generativer KI und KI-Agenten mit einer extrem hohen Veränderungsgeschwindigkeit und dem Betreten von weitgehend unbekanntem und neuem Terrain einhergehen – brauchen Organisationen ein Mindset, welches innovatives Handeln fördert und iteratives und experimentelles Vorgehen zulässt. Dies bedeutet auch, den Mitarbeitern Berührungsängste zu nehmen, sowie ihnen Möglichkeiten zu geben, neue Ideen und Anwendungen auszuprobieren und aus den Erfahrungen zu lernen. Dies erlaubt ihnen einerseits, innovative Projekte voranzutreiben, andererseits aber auch, den Erfolg der einzelnen Ideen und Projekte kritisch zu hinterfragen und somit kontinuierlich wertvolle Erkenntnisse zu generieren und knappe Ressourcen auf die vielversprechendsten Projekte zu konzentrieren.

Wichtig ist dafür auch eine Kultur der psychologischen Sicherheit. Dies ist eine Arbeitsatmosphäre, in der Mitarbeiter zum einen auch unkonventionelle und disruptive Ideen aufbringen, zum anderen aber ein offenes und konstruktives Feedback von allen Beteiligten eingefordert und geschätzt wird, um unter anderem auch frühzeitig aus potenziellen Fehlschlägen zu lernen.

Vom Kunden her denken

Ein wesentlicher Erfolgsfaktor von Innovationen ist außerdem, vom Kunden her zu denken und von Anfang an die Bedürfnisse und Pain Points der Kunden möglichst gut zu identifizieren. Dazu gehört auch die Berücksichtigung und sukzessive Optimierung der Kundenerlebnisse und Customer Journeys. Der Fokus auf die wichtigsten Kundenbedürfnisse führt typischerweise auch zu einer Priorisierung der Use Cases mit einem entsprechend hohen Skalierungspotenzial, was für die langfristige Kommerzialisierung hochgradig relevant.

Im Fall von generativen KI-Anwendungen sollte dies aufgrund der hohen Relevanz von Daten jedoch mit einem risikobasierten Ansatz gepaart werden, bei dem ebenfalls die Kritikalität der Daten in der Auswahl der Use Cases sowie der Art des Austestens berücksichtigt wird. Dies bedeutet auch, Anwendungen auf internen Daten zu trainieren und den Schutz und die Vertraulichkeit – insbesondere der sensitiven Daten – sicherzustellen. Eine AI Literacy der Mitarbeiter sowie eine Sensibilisierung und Transparenz gegenüber den Kunden geht damit Hand in Hand, um auch das Vertrauen der Kunden in die entsprechenden Anwendungen sicherzustellen.

Einsatz interdisziplinärer Teams

Ein weiterer Erfolgsfaktor ist der Einsatz interdisziplinärer Teams und eine kollaborative und offene Atmosphäre innerhalb dieser Teams. Im Fall von generativer KI und KI-Agenten sollten hierzu Teammitglieder gehören mit hoher Kundennähe und Kundenverständnis, Data-Analysten, Software-Architekten, Juristen, Prozessspezialisten sowie Manager, die den Impact der Anwendungen in der Gesamtheit des Business bewerten und entsprechende Entscheidungen bezüglich Priorisierungen, Standardisierungen und Investitionen über Geschäftsfelder hinweg treffen können.

Hilfreich ist dabei auch, diese Teams zumindest temporär aus der normalen Organisation zu lösen, und sie im Rahmen von Innovation-Labs oder ähnlichen Umgebungen mit innovativen Methoden und anderen Organisationsformen zusammen arbeiten zu lassen.

Auch Kollaborationen mit externen strategischen Partnern gehören dazu. Für eine Zusammenarbeit derartiger Teams müssen aber auch organisatorische und mentale Silos aufgebrochen werden und eine kollaborative Kultur geschaffen werden, zu der auch ein chancenorientierter und konstruktiver Umgang mit Unsicherheit gehört.

Im Umgang mit generativer Künstlicher Intelligenz kommt es auf das Mindset und vier Erfolgsfaktoren an.

Intelligentes Scheitern und AI Literacy

Aufgrund des frühen Stadiums der Anwendungen von generativer KI, speziell im Hinblick auf die Kundenschnittstelle sind wir jetzt in der Phase des Experimentierens und Ausprobierens. Dies bedeutet jedoch auch, dass ein signifikanter Teil der Proof-of-Concepts (POCs) auf dem Gebiet der generativen KI scheitert – über diverse Studien hinweg sind es typischerweise mehr als 75 Prozent. Laut dem Gartner Hype Cycle für neue Technologien aus dem Jahr 2024 befindet sich generative KI derzeit auf dem Weg vom „Höhepunkt der überzogenen Erwartungen“ zum „Tiefpunkt der Desillusionierung“. Das „hohe Niveau der Produktivität“ wird laut Gartner schätzungsweise in zwei bis fünf Jahren erreicht. Autonome Agenten befinden sich noch auf dem Weg zum Peak des Hype Cycle und werden das Produktivitätsniveau schätzungsweise in fünf bis zehn Jahren erreichen.

An dieser Stelle ist es wichtig, Erwartungsmanagement zu betreiben und die Ressourcen so effektiv und effizient wie möglich einzusetzen. Dies bedeutet zum einen, sich auf Basis der Kundenbedürfnisse, dem Skalierungspotenzial und der Kritikalität der Daten auf die vielversprechendsten Use Cases zu konzentrieren. Zum anderen kommt es darauf an, aufgrund der Neuartigkeit der Technologien und dem damit einhergehenden unbekannten Terrain, auf dem wir uns teilweise befinden, schnell Erkenntnisse über Erfolgsfaktoren und Herausforderungen zu generieren und diese bei der weiteren Priorisierung und Ausgestaltung der Anwendungsfälle zu berücksichtigen.

Ein Kernkonzept dieses experimentellen und iterativen Vorgehens ist „Intelligentes Scheitern“, das von Amy Edmondson aus Harvard wie folgt charakterisiert wird: Scheitern ist intelligent und führt sukzessive zu Erfolg, wenn es

• auf unbekanntem Terrain geschieht,
• ein konkretes Ziel verfolgt wird,
• im Vorfeld eine angemessene Vorbereitung sowie
• Risikominderung stattfindet und
• daraus gelernt wird.

Wichtig ist daher die Zielsetzung und gute Vorbereitung der PoCs: Eine klare Zielrichtung, beispielsweise in Gestalt von relevanten Kundenbedürfnissen oder Pain Points, eine saubere Vorbereitung in Gestalt der ausreichenden digitalen Verfügbarkeit und Qualität der – unstrukturierten oder strukturierten – Daten sowie ein entsprechendes Risk Assessment hinsichtlich der Sensitivität und Kritikalität der Use Cases. Aus den Erkenntnissen der PoCs wird dann systematisch gelernt und im Falle eines Scheiterns konsequent das weitere Vorgehen adaptiert.

Für das aktive und zielgerichtete Lernen aus den PoCs ist aber auch eine entsprechende AI Literacy entscheidend. Die Nutzer müssen kritisch den Output der KI-basierten Anwendungen reflektieren – insbesondere in den Fällen, in denen Genauigkeit und Zuverlässigkeit von entscheidender Bedeutung sind. Das Verständnis für Limitationen von KI-basierten Anwendungen im Kontext ihres Reifegrads sowie des spezifischen Use Cases ist aus zwei Gründen wichtig. Zum einen erlaubt es, die Qualität der Anwendungen durch entsprechendes Monitoring und sukzessive Anpassungen kontinuierlich zu verbessern. Zum anderen verhindert es, dass Nutzer grundsätzlich das Vertrauen in diese KI-basierten Anwendungen verlieren und ihre Nutzung aktiv ablehnen. Ein klares Erwartungsmanagement und Transparenz sowohl über das Potenzial als auch die Limitationen ist daher für die langfristige Akzeptanz sehr wichtig – gerade in der experimentellen Phase, in der sich viele Use Cases befinden.

Fazit: Erfolgskritische Faktoren für den Einsatz von KI

Generative KI und der zunehmende Einsatz von KI-Agenten verändern perspektivisch alle Bereiche der Geschäftsmodelle der Banken. Aufgrund der hohen Entwicklungsgeschwindigkeit und dem enormen Veränderungspotenzial dieser neuen Anwendungen ist ein innovatives Mindset und ein entsprechendes Vorgehen erfolgskritisch. Dies bedeutet einerseits eine chancenorientierte und strategische Analyse und Priorisierung der möglichen Einsatzgebiete, um knappe und wertvolle Ressourcen auf die erfolgversprechendsten Themen und Use Cases zu konzentrieren.

Andererseits erfordert es vor allem angesichts der neuen und sich rasant entwickelnden Anwendungen und Technologien ein offenes, iteratives und experimentelles Vorgehen mit kundenorientierten, gut vorbereiteten und risikobasierten PoCs, aus denen schnell und konsequent für die weitere Priorisierung und Ausgestaltung der Use Cases gelernt wird.