Werfen wir einen Blick auf drei Zahlen, die eine Menge über KI im Banking aussagen: 97, 95 und 80. Die erste stammt aus der jüngsten Studie „Generative KI in der deutschen Wirtschaft“ von KPMG in Deutschland und besagt: 97 Prozent der Entscheiderinnen und Entscheider in deutschen Banken betrachten KI als zentral für ihr Geschäftsmodell und ihre zukünftige Wertschöpfungskette. Erwartet werden vor allem Wettbewerbsvorteile durch stärker personalisierte Kundenkontakte – verbunden mit spürbaren Effizienzgewinnen in internen Prozessen wie Daten- und Risikoanalysen.

Die zweite haben wir der MIT-Studie „State of AI in Business 2025"¹ entnommen. Sie steht in starkem Kontrast zur ersten Zahl und markiert einen Mangel, den die Hochschule herausgefunden hat: 95 Prozent der bisherigen KI-Projekte haben zu keinerlei Gewinnsteigerungen geführt. Besonders Banken stehen zudem vor der Aufgabe, eine ethische Nutzung von KI-Tools sicherzustellen, was laut unserer KPMG-Befragung von 80 Prozent der Studienteilnehmenden als herausfordernd eingeschätzt wurde – der dritten Zahl.

¹MIT-Studie „State of AI in Business 2025“ , Zugriff 12.11.2025

Die Hürde der Skalierung – ein verlässliches Vorgehensmodell fehlt

Viele Banken vermissen ein zuverlässiges Vorgehensmodell, an dem sie sich bei der Implementierung von KI-Tools orientieren können. Denn nach dem ersten Proof of Concept und vereinzelten Anwendungsfällen tritt die Nutzung von KI nun in eine neue Phase ein. Gefragt sind mittlerweile strukturierte Ansätze, die das Potenzial der Technologie systematisch erschließen, in die Breite tragen und Vertrauen herstellen, sowohl im eigenen Unternehmen als auch bei den Kunden.

Um diese Lücke zu schließen, haben wir bei KPMG in Deutschland ein KI-Playbook entwickelt. Es bietet Banken – unabhängig von Größe und Geschäftsmodell – einen klaren Fahrplan und zeigt wie ein Kochrezept auf, welche Schritte für eine erfolgreiche KI-Journey erforderlich sind. Ein zentrales Element des Playbooks möchten wir zunächst herausheben – das Konzept der Jobs-to-be-done.

Wertschöpfungsketten neu denken

Einer der entscheidenden Hebel für eine erfolgreiche KI-Journey liegt zunächst in der (Neu-)Gestaltung der Wertschöpfungsketten. Denn das volle Potenzial von KI lässt sich nicht ausschöpfen, wenn lediglich individuelle Prozessschritte betrachtet und optimiert werden. Solche isolierten KI-Projekte führen in aller Regel zu fragmentierten Lösungen mit nur geringer Effizienzsteigerung. Echter Mehrwert entsteht erst, wenn Banken ihre Aktivitäten ganzheitlich betrachten und als End-to-End-Wertschöpfungsketten neu aufsetzen.

Dafür braucht es einen Perspektivwechsel: weg vom Fokus auf einzelne Prozessschritte hin zur Analyse kompletter Abläufe. Ein bewährter Ansatz hierfür ist das Jobs-to-be-done-Konzept. Es rückt die Ziele von Kunden und Nutzergruppen in den Mittelpunkt und abstrahiert über die reine Betrachtung individueller Prozessschritte hinaus. Dabei werden stets der Kontext und die Motivation der Tätigkeit miteinbezogen und hinterfragt. Langfristiges Ziel ist die bestmögliche Nutzererfahrung – intern wie extern.

Hierzu lassen sich Wertschöpfungsketten in drei zentrale Blöcke gliedern:

Gerade im Zusammenspiel mit KI eröffnet dieses Konzept neue Möglichkeiten und Perspektiven. Operative Tätigkeiten, die sich effizient durch KI-Tools erledigen lassen, treten in den Hintergrund. Im Zentrum stehen stattdessen Produkte, Ergebnisse und die Frage, wie diese möglichst hochwertig und effizient entstehen können. So lassen sich ganze Abläufe von Grund auf neu gestalten – mit KI als integralem Bestandteil, welcher Kernprozesse möglichst vollständig übernimmt.

Mit dieser Vorgehensweise werden also nicht nur einzelne Prozessschritte optimiert, sondern der gesamte Pfad von individuellen Eingaben bis hin zu dem für Endnutzer zur Verfügung gestellten Produkt restrukturiert. Gleichzeitig werden die Produkte qualitativ verbessert – allein schon dadurch, dass operationelle Einschränkungen aus der Vergangenheit in den Hintergrund treten. So können größere Datenmengen bei Daten- und Szenarioanalysen berücksichtigt und auch unstrukturierte, tagesaktuelle Informationen effizient verarbeitet werden.

Ein Kochrezept für eine erfolgreiche KI-Journey

Eine erfolgreiche KI-Journey beruht auf einer klaren Strategie, einer belastbaren Umsetzung und einer zukunftsfähigen Workforce. Gemeinsam bilden diese Elemente das Fundament, auf dem Banken ihr KI-Potenzial heben können. Doch um diese Elemente erfolgreich umzusetzen, braucht es ein klares Vorgehensmodell – eine Art Kochrezept, welches Schritt für Schritt durch die KI-Journey führt.

Wir sehen hier die acht Schritte – die wir in unserem KI-Playbook in konkrete Aktivitäten weiter herunterbrechen und detaillieren.

1. Eine klare KI-Vision liefert die strategische Ausrichtung

Am Anfang jeder KI-Journey steht eine gemeinsame Vision, die im gesamten Unternehmen Akzeptanz findet und Orientierung gibt. Eine klare, langfristig ausgerichtete KI-Strategie – verankert im Top-Management und eng mit den Geschäfts- und Risikozielen verknüpft – verhindert fragmentierte Einzelinitiativen und legt den Grundstein für skalierbare Wirkung. Ein prägnantes „North-Star-Statement“ hilft dabei, alle Beteiligten hinter dem gemeinsamen Ziel zu vereinen.

2. Relevante und wirkungsstarke Anwendungsfälle identifizieren und priorisieren

Die erfolgreiche Umsetzung der KI-Vision beruht auf der Fokussierung auf relevante Use Cases. Die Analyse sollte sich an vollständigen Wertschöpfungsketten orientieren – Stichwort Jobs-to-be-done-Konzept – und die Auswahl eng mit der Gesamtstrategie der Bank verzahnt sein. Kriterien wie Machbarkeit, Business Impact, regulatorische Komplexität, Datenreife und Wiederverwendbarkeit helfen, Prioritäten zu setzen und Ressourcen effizient einzusetzen. So wird sichergestellt, dass KI-Projekte echten Geschäftsnutzen liefern – und nicht in Pilotphasen verharren.

3. Die technologische Basis analysieren und optimieren

Das Rückgrat der Umsetzung ist eine skalierbare, zukunftssichere KI-Architektur. Sie muss sich nahtlos in bestehende Systeme integrieren, zentrale Daten- und Modellverwaltung ermöglichen und flexibel auf neue Anforderungen reagieren können. Ein modularer, rollenbasierter Aufbau stellt sicher, dass unterschiedliche Nutzergruppen – von Data Scientists bis hin zu Fachanwendern – optimal unterstützt werden.

4. Technologieentscheidungen treffen: Eigenentwicklung oder Zukauf

Die Frage „Build or Buy?“ ist dabei zentral. Eigenentwicklungen schaffen internes Know-how und langfristige Unabhängigkeit, während Zukäufe Geschwindigkeit und Skalierbarkeit fördern. Aus strategischen Gründen sollte ein hybrider Ansatz gefahren werden – das ermöglicht schnelle Ergebnisse bei gleichzeitigem Aufbau von internen Fähigkeiten. Dazu sind wiederverwendbare Komponenten, offene Schnittstellen (APIs) und integrierte Governance-Tools erfolgskritisch und daher notwendig, um Flexibilität, Effizienz und Kontrolle zu vereinen.

5. Robuste Governance- und Compliance-Strukturen etablieren

Ethik, Transparenz und menschliche Aufsicht müssen fest in den Entwicklungs- und Entscheidungsprozessen verankert sein, um Compliance-Lücken und Reputationsrisiken zu vermeiden. Eine automatisierte, risikobasierte Governance stellt sicher, dass KI fair, nachvollziehbar und in Einklang mit regulatorischen Vorgaben eingesetzt wird. Banken, die hier Standards setzen, verschaffen sich nicht nur regulatorische Sicherheit, sondern auch einen entscheidenden Vertrauensvorsprung im Markt. Denn, Vertrauen ist die Grundlage für jede KI-Anwendung im Finanzsektor.

6. Organisations- und Betriebsmodell gezielt gestalten

Für Vertrauen ist auch eine klare Organisationsstruktur entscheidend – insbesondere, wenn es darum geht, KI aus der Pilotphase in die Breite zu bringen. Ein agiles Betriebsmodell definiert Rollen, Verantwortlichkeiten und Entscheidungswege entlang der gesamten KI-Wertschöpfung. Interdisziplinäre Teams aus Fachbereichen, IT und dem Risikomanagement sorgen dafür, dass Innovation nicht an Schnittstellen scheitert – und Governance, Effizienz und Geschwindigkeit in Einklang gebracht werden. So entsteht ein stringentes strategisches Ownership, sowohl auf Top-Management-Ebene als auch in den Projekten selbst.

7. Wertbeitrag erfassen und Performance messen

Und dann heißt es, nur was gemessen wird, kann verbessert werden. Ein konsistentes Framework zur Erfolgsmessung – etwa entlang von Umsatzsteigerung, Kosteneffizienz, Risikoreduktion und operativer Intelligenz – ermöglicht Transparenz und Steuerbarkeit. Klare KPIs, benannte Verantwortlichkeiten und regelmäßige Reviews schaffen die Grundlage für kontinuierliche Optimierung und nachhaltige Wertschöpfung.

8. Die Belegschaft befähigen und den Kulturwandel vorantreiben

Doch letzten Endes steht und fällt der nachhaltige Erfolg von KI mit den Menschen. Breite AI-Literacy-Programme fördern Verständnis und Akzeptanz über alle Hierarchien hinweg. Rollenspezifische Trainings, gezielte Talententwicklung und neue KI-native Rollen – etwa in Data Science, Model Risk Management oder Prompt Engineering – machen das Unternehmen zukunftsfähig. Ziel ist der Aufbau einer Belegschaft, die den technologischen Wandel nicht nur begleitet, sondern aktiv gestaltet. Führungskräfte spielen dabei eine Schlüsselrolle: Sie verankern KI in der Unternehmenskultur und treiben den Wandel voran.

Datenqualität als unverzichtbare Grundlage

Um den Erfolg der KI-Journey zu sichern, darf eine grundlegende Voraussetzung jedoch niemals aus dem Blick geraten: die Datenqualität. Ohne hochwertige und konsistente Daten bleibt KI wirkungslos. Doch genau hier liegen noch viele Herausforderungen für Banken. Datensilos und heterogene Strukturen verhindern oft, dass Informationen sinnvoll zusammengeführt werden können. Gefragt ist deshalb der Aufbau integrierter Plattformen, die interne Daten mit externen Quellen wie ESG-Daten, Kundenfeedback oder Nachrichtenströmen verbinden. Nur eine integrierte und solide Datenbasis ermöglicht leistungsfähige Modelle, die sowohl regulatorischen Anforderungen standhalten als auch neue Geschäftspotenziale erschließen.

Diese drei Punkte sind aus unserer Sicht besonders wichtig: