KI-Agenten im Banking: Weiß Ihre Bank, was „Revenue“ bedeutet?
Ein Senior Manager einer Schweizer Privatbank sagte diese Woche zu mir: „Ehrlich gesagt habe ich verpasst, was bei KI eigentlich gerade passiert. Jeder hat eine Meinung dazu, aber was können wir wirklich tun?“
Diese Frage ist mir im Gedächtnis geblieben. Sie ist eine der ehrlichsten, die ich seit Monaten gehört habe.
KI-Agenten legen ein unangenehmes Datenproblem offen
Wir haben ungefähr 15 Jahre damit verbracht, uns von zentralisierten semantischen Modellen zu entfernen. Das Ziel war Geschwindigkeit. Analysten sollten Daten anbinden, Berechnungen erstellen und Dashboards bauen können, ohne auf ein Architecture Board warten zu müssen.
Self-Service hat gewonnen.
Freiheit hat gewonnen.
Dann kamen KI-Agenten.
Sie ignorieren inkonsistente Definitionen nicht höflich so, wie es ein menschlicher Analyst manchmal tut.
Sie stellen die unangenehmen Fragen direkt:
- Was bedeutet Revenue in dieser Bank eigentlich genau?
- Welche Kundentabelle ist die maßgebliche Quelle?
- Handelt es sich um den Fiskalkalender oder den normalen Kalender?
- Schließen wir interne Transaktionen aus oder nicht?
Plötzlich wirkt die alte Idee einer gemeinsamen, wiederverwendbaren fachlichen Bedeutung deutlich klüger, als viele von uns zugeben wollten.
KI ist nicht mehr der Engpass. Bedeutung ist es.
Die Technologie entwickelt sich schnell. Christian Sewing, CEO der Deutschen Bank, hat recht, wenn er sagt, dass KI Prozesse bereits beschleunigt und echten Mehrwert für Kunden schafft.
Plattformen lösen zunehmend das Problem einer zentralen Datenbasis. Agentische Systeme beginnen, die Vorbereitung von Beratungsgesprächen, Kreditprozesse, Portfolio-Monitoring und Dokumentation zu unterstützen.
Doch drei hartnäckige Realitäten bleiben bestehen:
- Inkonsistente Kennzahlendefinitionen begrenzen weiterhin die Möglichkeit, KI über Pilotprojekte hinaus zu skalieren.
- Shadow AI breitet sich unbemerkt in den Teams aus.
- In den wertvollsten Bereichen von Private Banking und Wealth Management, etwa Nachfolgeplanung, Family Governance und generationenübergreifender Vermögensstrukturierung, entscheiden weiterhin menschliches Urteilsvermögen und Vertrauen über das Ergebnis.
Ein Agent kann ein hervorragendes Briefing vorbereiten. Er kann jedoch noch nicht den Relationship Manager ersetzen, der mit einer Familie am Tisch sitzt und die emotionale und rechtliche Komplexität des Generationenwechsels begleitet.
Was können Banken also konkret tun, um KI zu skalieren?
Die Antwort lautet nicht: „Mehr Modelle kaufen“ oder „Noch ein Pilotprojekt starten“. Es geht darum, ganz bewusst einen Mittelweg zwischen vollständiger zentraler Kontrolle und unkontrollierter Freiheit zu gestalten.
Das praktische Operating Model, das zunehmend funktioniert, sieht so aus:
- Das Business verantwortet die Use Cases. Relationship Manager, Product Owner und Domain Experts entscheiden, wo KI tatsächlich Mehrwert schafft. Sie bleiben für das Ergebnis verantwortlich.
- IT stellt die governte Plattform, Sicherheit und Standards bereit. IT versucht nicht, jedes Modell selbst zu kontrollieren. Stattdessen bildet sie die verlässliche Plattform-, Identity-, Security- und Monitoring-Schicht, die eine sichere Skalierung ermöglicht.
- Eine lebende semantische und Wissensschicht liegt über der Datenplattform. Das ist der fehlende Baustein, den viele Organisationen noch immer unterschätzen. Kennzahlen, Beziehungen, Geschäftsregeln und Fachwissen müssen explizit, versioniert und wiederverwendbar sein. Abweichungen sollten sichtbar statt verborgen sein. Vererbung sollte gegenüber stillem Kopieren bevorzugt werden.
- Die finale Verantwortung bleibt beim Menschen. Gerade im Wealth Management sollte KI Vorbereitung, Konsistenz und Abdeckung verbessern, aber niemals den Menschen ersetzen, der die Kundenbeziehung und die regulatorische Verantwortung tr
Wenn diese vier Elemente zusammenspielen, hört Governance auf, eine Bremse zu sein, und wird zum Beschleuniger.
Teams können schneller arbeiten, weil die Leitplanken bereits vorhanden sind. Vertrauen steigt, weil Definitionen klar und Datenherkünfte nachvollziehbar sind.
Warum der Semantic Layer für KI im Banking entscheidend ist
Wir haben den Bedarf an gemeinsamer Bedeutung nie wirklich abgeschafft.
Wir haben ihn lediglich in einzelne Workbooks, Notebooks und lokale Berechnungen verlagert.
KI-Agenten zwingen uns jetzt dazu, diese Bedeutung dorthin zurückzubringen, wo sie hingehört: in eine wiederverwendbare, governte Infrastruktur.
Dieses Mal sind die Nutzer sowohl Menschen als auch Agenten.
Beide erwarten, dass Definitionen konsistent, versioniert und erklärbar sind.
Von KI-Meinungen zu konkretem Handeln
Die Frage des Schweizer Privatbankers bleibt die richtige:
Jeder hat eine Meinung zu KI. Doch nur wenige Institute haben bislang die praktische Frage beantwortet:
Wie sieht das Menü in unserer Bank aus und wer ist dafür verantwortlich, dass es aktuell und korrekt bleibt?
Die Banken, die dieses Menü wieder auf den Tisch legen, klar, governed und nutzbar, werden diejenigen sein, die KI von einem interessanten Experiment zu einer verlässlichen Quelle für Kundenmehrwert und operative Effizienz machen.
Die anderen werden weiterhin überzeugende Antworten produzieren, denen am Ende niemand vollständig vertraut.
Wenn Sie sich fragen, wie das konkret in Ihrer Bank aussehen könnte, buchen Sie ein 30-minütiges Beratungsgespräch mit uns. Gemeinsam schauen wir darauf, wo Sie heute stehen, welche KI-Use-Cases das größte Potenzial haben und welche semantische und Governance-Grundlage Sie benötigen, um KI sicher und mit Vertrauen zu skalieren.