Was diese Woche bekannt wurde
Die Beratung Bain hat 951 Unternehmen zu ihren KI-Initiativen befragt. Das Ergebnis ist ernüchternd. Fast 40 Prozent der befragten Firmen erreichen weniger als 10 Prozent Kosteneinsparung durch KI, obwohl die meisten Business-Cases zwischen 11 und 20 Prozent angesetzt hatten. Nur 7 Prozent betreiben tatsächlich vollautonome KI-Agenten. Genau diese Annahme steckt aber in den Wirtschaftlichkeitsrechnungen drin.
Die Botschaft ist unangenehm konkret: Die Sparziele wurden auf Basis eines Automatisierungsgrades kalkuliert, den fast niemand wirklich erreicht. Der Mensch bleibt im Loop. Und damit bleiben auch die Personalkosten im Modell.
Für den Finanzsektor ist das besonders relevant. Banken, Versicherer und Asset-Manager gehören zu den Branchen, die in den letzten zwei Jahren am lautesten KI-Effizienzgewinne kommuniziert haben. JPMorgan, Goldman Sachs, ING, Erste Group und etliche andere haben Programme im dreistelligen Millionenbereich aufgesetzt. Die Frage ist nicht mehr, ob KI hilft. Die Frage ist, warum der Hebel kleiner ausfällt als versprochen.
Warum es jetzt für Finanzentscheider zählt
Aus meiner Beratungspraxis sehe ich drei strukturelle Gründe, warum gerade im Banking die Schere zwischen KI-Plan und KI-Realität so weit aufgeht.
Erstens: Compliance erzwingt den Human-in-the-Loop. Ein KYC-Onboarding-Agent darf in der EU unter DORA und AI-Act nicht ohne menschliche Letztprüfung Hochrisiko-Entscheidungen treffen. Ein Loan-Underwriting-Modell für Privatkredite ebenso wenig. Wer in den Business-Case 80 Prozent Automatisierung einrechnet, rechnet faktisch falsch. Die realistische Quote liegt für regulierte Prozesse oft bei 40 bis 60 Prozent, der Rest ist Sichtprüfung, Vier-Augen-Prinzip und Audit-Trail.
Zweitens: Halluzinationen sind in Finanzdaten teuer. Ein LLM, das in einer Marketing-Mail einen Satz erfindet, ist peinlich. Ein LLM, das in einem Quartalsreport eine Zahl erfindet, ist ein Schadensfall. Vermögensverwalter, die Client-Reports mit generativer KI vorproduzieren, brauchen einen menschlichen Reviewer pro Dokument. Das frisst genau jene Stunden, die der Business-Case eingespart hat.
Drittens: Agenten skalieren in der Theorie, nicht in der Legacy-IT. Bain nennt 7 Prozent vollautonome Agenten. In Banken ist die Zahl vermutlich noch niedriger. Wer Kernsysteme aus den 90ern hat, baut keine Multi-Agent-Architektur, die ohne menschliche Brücke zwischen Mainframe, CRM und Risk-Engine wechselt. Die Integration ist der Engpass, nicht das Modell.
Typisches Muster in meinen Projekten: Der Vorstand bekommt einen KI-Case mit 18 Prozent Einsparung präsentiert. Nach 18 Monaten Pilotbetrieb landet die Realisierung bei 6 bis 8 Prozent. Nicht weil die Technik versagt, sondern weil drei Annahmen zu optimistisch waren. Volumen der automatisierbaren Fälle. Geschwindigkeit der Integration. Bereitschaft der Fachbereiche, Prozesse wirklich umzustellen.
Was Sie konkret tun sollten
Drei Empfehlungen, wenn Sie aktuell KI-Initiativen in Bank, Asset-Manager oder FinTech verantworten.
1. Rechnen Sie den Business-Case mit drei Szenarien. Nicht ein Zielwert, sondern Worst, Base, Best. Das Worst-Szenario sollte mit 30 bis 40 Prozent Automatisierungsgrad rechnen, nicht mit 80. Wenn das Projekt auch dann noch positiv ist, lohnt es sich. Wenn nicht, ist es ein Hoffnungsprojekt. Bain liefert mit den 7 Prozent vollautonomer Agenten eine harte Benchmark, die Sie in der Vorstandsvorlage zitieren können.
2. Trennen Sie Effizienz-Cases von Qualitäts-Cases. Viele KI-Use-Cases im Finanzsektor sparen kein Geld, sie verbessern Qualität. Ein besseres Fraud-Detection-Modell verhindert Verluste, automatisiert aber keine Stellen. Ein besseres Client-Profiling im Wealth-Management erhöht den Share-of-Wallet, ersetzt aber keinen Berater. Diese Cases müssen anders gerechnet werden als Backoffice-Automatisierung. Vermischung führt genau zu jenen verfehlten Sparzielen, die Bain dokumentiert.
3. Investieren Sie in den Workflow, nicht nur ins Modell. Mein Rat seit 18 Monaten unverändert: Das Modell ist Commodity, die Integration ist der Wettbewerbsvorteil. Wer GPT, Claude oder Gemini sauber in den bestehenden Kreditprozess, Trade-Lifecycle oder Compliance-Workflow einhängt, gewinnt auch mit 50 Prozent Automatisierung. Wer auf das nächste, bessere Modell wartet, gewinnt gar nichts. Die Bain-Zahlen zeigen, dass die Sieger nicht die mit der besten Technik sind, sondern die mit der besten Prozessintegration.
Mein Fazit
Die Bain-Studie ist kein KI-Skeptiker-Pamphlet. Sie ist ein Realitäts-Check. KI liefert ROI, aber langsamer und kleinteiliger als die Pitches der Anbieter suggerieren. Im Finanzsektor verschärft Regulierung diesen Effekt zusätzlich. Wer das im Business-Case ehrlich abbildet, baut Vertrauen im Vorstand. Wer weiter mit 20-Prozent-Versprechen arbeitet, brennt in zwölf Monaten Glaubwürdigkeit ab.
Die 7 Prozent vollautonomer Agenten sind übrigens keine Schwäche der Technik. Sie sind eine korrekte Antwort von Unternehmen, die wissen, dass Haftung, Audit und Reputationsrisiko reale Kosten sind. Wer das versteht, plant realistisch. Wer es ignoriert, schreibt 2027 die nächste Abschreibung.