Die Revolution der künstlichen Intelligenz im Banking kam nicht mit großem Knall, sondern mit dem Seufzer eines Beraters. Die jüngste Analyse von McKinsey & Company zur KI-gesteuerten Bankenwirtschaft liest sich an der Oberfläche professionell und gemessen, doch unter der polierten Prosa verbirgt sich eine verdammende Feststellung: Die überwiegende Mehrheit der etablierten Finanzinstitute ist organisatorisch unfähig, den Wert zu erfassen, den Machine Learning und fortschrittliche KI-Systeme versprechen. Dies ist kein vorübergehender Rückstand bei der technologischen Adoption oder ein Fachkräftemangel, den Schulungsprogramme beheben könnten. Dies ist ein strukturelles Problem, das in der sehr Architektur des modernen Banking verankert ist.

Das zentrale Problem ist eine architektonische Fehlausrichtung. Traditionelle Banken wurden in einer Ära abgegrenzter Produkte, departementaler Autonomie und sequenzieller Entscheidungsfindung konstruiert. Eine Hypothek sitzt in einer Abteilung, Vermögensmanagement in einer anderen, Zahlungsverkehr in einer dritten. Daten fließen durch starre Pipelines. Genehmigungsprozesse sind hierarchisch strukturiert. Legacy-Systeme waren nie dafür konzipiert, modular zu sein oder Daten nahtlos in intelligente Systeme einzuspeisen, die in Echtzeit lernen und sich anpassen könnten. Künstliche Intelligenz gedeiht hingegen in einer Umgebung integrierter Daten, schneller Experimente, durchlässiger Organisationsgrenzen und kontinuierlicher Rückkopplungsschleifen. Die grundlegenden Betriebsprinzipien sind inkompatibel.

Bedenken Sie, was eine echte KI-gesteuerte Bank benötigen würde: einheitliche Kundendaten, die über alle Geschäftsbereiche hinweg zugänglich sind, APIs, die fließend miteinander kommunizieren, Teams, die bevollmächtigt sind, tausende von Mikroexperimenten ohne bürokratische Drosselung durchzuführen, und eine Kultur, die Daten als strategisches Vermögen und nicht als Nebenprodukt der Transaktionsverarbeitung behandelt. Viele etablierte Institute verfügen über keine dieser Eigenschaften in ausreichendem Maße. Sie haben Legacy-Data-Warehouses, deren Aufbau Jahrzehnte gedauert hat und deren vollständige Harmonisierung noch Jahrzehnte mehr beanspruchen würde. Sie haben Compliance-Abteilungen, die in einem anderen Tempo arbeiten als Machine-Learning-Teams. Sie haben Gewinn- und Verluststrukturen, die vierteljährliche Ergebnisse belohnen, nicht langfristige Umwälzungen. Sie haben Karrierewege für Compliance- und Risikobeauftragte, aber nur wenige institutionelle Mechanismen zur Bindung und Beförderung von Machine-Learning-Ingenieuren oder Datenwissenschaftlern.

Das KI-Paradoxon vertieft sich, wenn man die Wettbewerbseinsätze berücksichtigt. Digital-native Fintech-Spieler und Technologiekonzerne, die in Finanzdienstleistungen eintreten, haben mit solchen organisatorischen Zwängen nicht zu kämpfen. Ein Challenger kann sich von Grund auf mit KI-nativen Workflows von Tag eins an selbst gestalten. Es gibt keine Legacy-Systeme zu integrieren, keine Abteilungssilos zu schleifen, keine Organisationskultur, die auf sequenziellen, von Menschen gesteuerten Genehmigungsketten aufgebaut ist. Dieser strukturelle Vorteil verstärkt sich. Jeden Monat, in dem ein etabliertes Institut seine Infrastruktur nachrüstet, ist ein Monat, den ein reiner Konkurrent damit verbringt, Modelle zu trainieren, das Kundenverhalten zu beobachten, Preisalgorithmen zu optimieren, die Betrugserkennung zu automatisieren und Produktempfehlungen mit Machine Learning zu personalisieren, das schneller lernt als jedes traditionelle A/B-Testing-Framework.

Das Regulierungsumfeld fügt eine weitere Komplexitätsebene hinzu. Bankenbehörden weltweit – von der Europäischen Zentralbank über nationale Zentralbanken bis zu Finanzaufsichtsbehörden – überprüfen zurecht, wie KI in kritischer Finanzinfrastruktur eingesetzt wird. Ein etabliertes Kreditinstitut, das KI implementiert, muss nicht nur seine Legacy-Systeme bewältigen, sondern auch regulatorische Anforderungen hinsichtlich Erklärbarkeit, Fairness und Risikokontrolle erfüllen. Dies sind berechtigte Bedenken, doch sie erzeugen Reibung, der Digital-Native-Konkurrenten in angrenzenden Märkten möglicherweise weniger ausgesetzt sind. Das Ergebnis ist ein Rennen, in dem ein Konkurrent seinen Motor überholen muss, während das Flugzeug noch in der Luft ist, und ein anderer kann ein neues Flugzeug von Grund auf konstruieren.

Es gibt Ausnahmen. Einige große Finanzinstitute haben echte organisatorische Investitionen in KI-Fähigkeiten getätigt – nicht als Anbau an bestehende Produkte, sondern als grundlegende Neukonzeption ihrer Betriebsweise. Diese Banken haben sich um Daten umstrukturiert, dedizierte KI-Betriebseinheiten mit geschützten Budgets und Autonomie eingerichtet, in Machine-Learning-Talente im großen Umfang investiert und mit der schmerzhaften Arbeit der Lockerung organisatorischer Silos begonnen. Doch diese Bemühungen bleiben selten, und selbst wo sie existieren, laufen sie dem institutionellen Momentum zuwider. Das mittlere Segment – Banken, die groß genug sind, um zu zählen, aber nicht die Ressourcen oder den Transformationsappetit global systemisch wichtiger Institute haben – ist einem besonders akuten Druck ausgesetzt.

Was geschieht mit Banken, die diese Lücke nicht schließen? Kurzfristig werden sie in spezifischen Bereichen an Wettbewerbsfähigkeit verlieren: algorithmischer Handel, Betrugserkennung, Kundenwechselvorhersage und personalisierte Preisgestaltung werden zu strukturell wendigeren Konkurrenten migrieren. Mittelfristig werden sie mit Margenverengung konfrontiert, wenn KI-gesteuerte etablierte Institute und Fintech-Neulinge bislang arbeitsintensiv von Menschen geprägte Prozesse automatisieren und Ersparnisse an Kunden weitergeben. Langfristig riskieren sie, zu Versorgungsunternehmen zu werden – stark reguliert, bescheiden rentabel, primär fokussiert auf die Verwaltung von Legacy-Einlagenbasen und Kreditportfolios, um die Konkurrenten nicht mehr konkurrieren wollen.

Die McKinsey-Diagnose weist jedoch, so sehr sie sich auch in Berater-Höflichkeit kleidet, auf eine harte Wahrheit hin: Künstliche Intelligenz ist nicht bloß eine neue Technologie, die Banken neben ihren bestehenden Betriebsmodellen adoptieren können. Sie ist eine Kraft zur organisatorischen Umstrukturierung, und Institutionen, die sich nicht umstrukturieren können, werden nicht sinnvoll von ihr profitieren. Die nächste Phase des Banking-Wettbewerbs wird nicht primär dadurch bestimmt, welche Institute die besten KI-Wissenschaftler oder die größten Machine-Learning-Budgets haben. Sie wird bestimmt durch die Institute, die bereit sind, sich auf fundamentaler Ebene zu reorganisieren – Hierarchien zu flachen, Silos aufzulösen, Entscheidungsfindung zu dezentralisieren und Daten als lebendiges, strategisches Vermögen zu behandeln. Diese Umstrukturierung ist kein Technologieproblem. Es ist ein Menschheitsproblem, und es ist weitaus schwieriger zu lösen.

Verfasst vom Redaktionsteam – unabhängiger Journalismus, präsentiert von Codego Press.