Was diese Woche passiert ist
Im Handelsblatt-Interview vom 28. Mai kündigt ING-Deutschland-Chef Lars Stoy an, dass die Bank zur KI-Bank werden will. Kernaussage: Digitalbanken können künftig auch personalisierte Beratung anbieten, nicht nur Standard-Produkte zum günstigen Preis. Stoy spricht von einer „ganz neuen Gattung Banken”, die gerade entsteht.
Die ING ist in Deutschland mit rund 9,5 Millionen Kunden die drittgrößte Privatkundenbank. Bisher war das Versprechen klar: gutes Online-Banking, faire Konditionen, wenig Filiale. Beratung war strukturell die Domäne der Sparkassen, Volksbanken und Privatbanken. Genau diese Grenze will Stoy mit KI verschieben.
Zwei Punkte hebt er als Kundenanforderung hervor: Vertrauen in die Datenverarbeitung und Transparenz, wann ein Mensch und wann eine Maschine entscheidet. Das ist bemerkenswert, weil es nicht nach Marketing klingt, sondern nach einer Vorwegnahme der Compliance-Debatte unter EU-AI-Act und DORA.
Warum das jetzt für Finanzdienstleister zählt
Aus meiner Sicht ist die Ankündigung wichtiger als der mediale Aufschlag vermuten lässt. Drei Gründe.
Erstens: Die Beratungslücke wird angegriffen. Personalisierte Anlage- und Finanzplanungsberatung war jahrzehntelang das Argument der Filialbanken gegen die Direktbanken. Wenn ein LLM-gestütztes System auf Basis von Transaktionsdaten, Sparzielen und Risikoprofil brauchbare Vorschläge liefert, fällt dieses Argument teilweise weg. Nicht für High-Net-Worth-Kunden, aber für das mittlere Segment, das heute zwischen Robo-Advisor und Filialberater pendelt.
Zweitens: Der Datenvorteil entscheidet. Eine ING sieht über Jahre, wie Kunden konsumieren, sparen, Kredite tilgen. Das ist das Trainings- und Kontextmaterial, an dem ein externer FinTech scheitert. Wer diese Daten sauber strukturiert und unter PSD2/DSGVO-konformen Rahmenbedingungen in ein LLM-Setup einspeist, hat einen schwer kopierbaren Vorteil.
Drittens: Die Regulatorik wird zum Wettbewerbsfaktor. Der EU-AI-Act stuft Kreditscoring und Bonitätsbewertung als Hochrisiko-Anwendung ein. Beratungs-KI ist weniger streng reguliert, aber MiFID-II-Suitability-Anforderungen gelten weiter. Wer hier ein revisionssicheres Setup baut, also nachvollziehbar dokumentiert, welche Empfehlung auf welcher Datengrundlage zustande kam, gewinnt Zeit gegenüber Wettbewerbern, die nachträglich nachrüsten müssen.
Die Halluzinations-Frage bleibt das technische Kernproblem. Ein LLM, das einem Kunden eine ETF-Empfehlung gibt, darf keine Wertpapierkennnummer erfinden und keine steuerlichen Effekte falsch darstellen. Die seriöse Antwort darauf ist Retrieval-Augmented-Generation mit strikten Zahlenquellen und harten Validierungs-Layern. Nicht das LLM rechnet die Sparrate, sondern ein deterministisches Modul. Das LLM formuliert nur die Erklärung.
Was Banken und FinTechs in DACH jetzt prüfen sollten
Mein Rat an Entscheider in Banken, Vermögensverwaltungen und FinTechs:
1. Use-Case-Inventur in den nächsten 90 Tagen. Welche Beratungsleistungen erbringen Sie heute, die heute schon Standardisierungspotenzial haben? Typisches Beispiel: jährliches Depot-Review für Kunden mit unter 250.000 Euro Anlagevermögen. Hier ist der Beratungsaufwand pro Kunde hoch, die Marge dünn, und die Inhalte sind stark repetitiv. Genau das ist der Bereich, in dem KI-gestützte Vorbereitung den Berater entlastet, ohne ihn zu ersetzen.
2. Datenstrategie vor Modellstrategie. Häufiges Muster in DACH-Banken: man pilotiert mit GPT-Modellen, bevor klar ist, welche Kundendaten überhaupt sauber, vollständig und rechtskonform verfügbar sind. Das führt zu hübschen Demos und unbrauchbarer Produktion. Klären Sie zuerst die Datenfrage: Welche Kundendaten dürfen Sie unter welcher Rechtsgrundlage verarbeiten, wie ist die Datenqualität, welche externen Quellen müssen integriert werden.
3. Mensch-Maschine-Übergabe definieren. Stoy hat den Punkt richtig benannt. Kunden akzeptieren KI, wenn klar ist, wann sie mit einer Maschine sprechen und wann mit einem Menschen. Für die Produktentwicklung heißt das: definieren Sie konkrete Eskalationskriterien. Anlagebetrag über X, Lebensereignis (Erbschaft, Immobilienkauf), Beschwerde, komplexe Steuerfrage. Das ist nicht nur UX-Frage, sondern auch Compliance-Anforderung unter MiFID II.
4. Realistisch zur Make-or-Buy-Frage. Eine ING kann sich eigene Modell-Infrastruktur leisten. Eine regionale Privatbank oder ein mittelständischer Vermögensverwalter nicht. Für die meisten DACH-Häuser unter 50 Milliarden AuM lautet die Antwort: API-Zugriff auf etablierte Modelle plus eigene RAG-Schicht plus eigene Validierungs-Layer. Eigene Foundation-Modelle sind weder finanzierbar noch sinnvoll.
Was ich beobachten werde
Die spannende Frage ist nicht, ob ING das ankündigt. Die spannende Frage ist, ob in zwölf Monaten ein konkretes Produkt am Markt ist, das messbar Beratungsqualität liefert, oder ob es bei einem aufgebohrten Chatbot bleibt. Letzteres wäre der bekannte Pfad vieler Banken-KI-Projekte der letzten drei Jahre.
Für Wettbewerber in Österreich und der Schweiz, also für Erste Group, RBI, Bawag, UBS, Raiffeisen Schweiz und die größeren Kantonalbanken, ist die Ankündigung ein Signal. Wer jetzt nicht intern klärt, wie die eigene Antwort aussieht, wird in 18 Monaten reagieren müssen, statt zu gestalten. Reaktive Banken-KI ist erfahrungsgemäß teurer und schlechter.
Die Gattung Bank, die Stoy beschreibt, wird kommen. Die Frage ist nur, wer sie baut.