Erzielung einer Kapitalrendite (ROI) für künstliche Intelligenz durch gemeinsame Wertschöpfung

Generative künstliche Intelligenz (GenAI) hat sich im Bankwesen schnell von einer technologischen Kuriosität zu einer strategischen Priorität entwickelt. Seit 2023 haben die Institute zahlreiche Pilotprojekte gestartet, von internen Chat-Assistenten bis hin zur automatischen Dokumentenanalyse. Diese Projekte zeigen zwar beeindruckende Fähigkeiten, aber viele haben Schwierigkeiten, aus den Experimenten einen messbaren wirtschaftlichen Nutzen zu ziehen. Diese Diskrepanz ist nicht auf technologische Unreife zurückzuführen, sondern auf die mangelnde Anpassung an die regulatorischen, organisatorischen und kontextuellen Gegebenheiten. Während der Hype abflaut, wächst der Druck, Investitionen mit greifbaren Erträgen zu rechtfertigen. In diesem Papier wird argumentiert, dass das Jahr 2026 einen kritischen Wendepunkt darstellt: Nur Institutionen, die einen messbaren ROI von GenAI nachweisen können, werden es schaffen, sie in zentrale Finanzprozesse einzubinden, während andere auf isolierte Proofs of Concept beschränkt bleiben werden. Der Erfolg hängt von kontextualisierten Anwendungen, robusten Kontrollen und der gemeinsamen Wertschöpfung mit spezialisierten Softwareanbietern ab.

1. Rückblick | Lehren aus dem Hype

1.1. Von der Erkundung zur wirtschaftlichen Verantwortlichkeit      

Die schnelle Einführung von GenAI im Bankwesen folgte dem klassischen Technologie-Hype-Zyklus, der durch überzogene Erwartungen und umfangreiche Experimente gekennzeichnet ist [vgl. Gartner 09.2025]. Frühe Anwendungsfälle konzentrierten sich in erster Linie auf horizontale Produktivitätswerkzeuge wie Chat-Schnittstellen, Codegenerierung oder Textzusammenfassung. Diese Anwendungen brachten zwar inkrementelle Effizienzgewinne, betrafen aber nur selten zentrale finanzielle Entscheidungsprozesse. Gleichzeitig schränkten regulatorische Kontrollen und interne Governance-Anforderungen die Skalierbarkeit vieler Pilotprojekte ein [vgl. EZB 2024]. Infolgedessen erkennen die Banken nun zunehmend, dass GenAI-Initiativen einen klaren wirtschaftlichen Wert und keine technologische Neuheit aufweisen müssen.

1.2. Warum der Kontext über Erfolg oder Misserfolg entscheidet

Eine wichtige Lehre aus den ersten GenAI-Einsätzen, die wir gesehen haben, ist die zentrale Bedeutung des Kontexts. Wie in Abbildung 01 gezeigt, sind allgemeine Sprachmodelle hervorragend in der Lage, plausible Ergebnisse zu generieren, aber Plausibilität allein ist in regulierten Finanzumgebungen nicht ausreichend.

Risikomanagement-, Finanz- und Treasury-Funktionen sind auf eine präzise Semantik, klar definierte Annahmen und eine nachvollziehbare Datenverknüpfung angewiesen. Ohne die Einbettung dieser Elemente besteht die Gefahr, dass GenAI-Systeme Ergebnisse produzieren, die schwer zu validieren und zu erklären sind, was das operative und Modellrisiko erhöht [vgl. BIS 2025]. Die Forschung zeigt durchweg, dass domänenspezifische KI-Systeme in regulierten Branchen besser abschneiden als generische Modelle, insbesondere wenn Entscheidungsgenauigkeit und Erklärbarkeit entscheidend sind [vgl. Liu et al. 2024].

2. Blick in die Zukunft | Ein Rahmenwerk für die gemeinsame Wertschöpfung

Um von Experimenten zu nachhaltiger Wertschöpfung zu gelangen, schlägt dieses Papier einen Rahmen vor, in dem der ROI von generativer KI am Schnittpunkt von Kontext, Kontrolle und Zusammenarbeit entsteht.

Wie in Abbildung 02, einem Überblick über das vorgeschlagene^{C6R-Rahmenwerk}, dargestellt, resultiert der ROI aus generativer KI nicht aus einzelnen technologischen Fähigkeiten, sondern entsteht an der Schnittstelle von Kontext, Kontrolle und Zusammenarbeit, wobei Glaubwürdigkeit, Fähigkeit und Kontinuität als sekundäre Effekte auftreten.

2.1. Der Kontext: Die Einbettung von GenAI in die Finanzrealität

Kontext steht für das Ausmaß, in dem GenAI-Anwendungen in den finanziellen, regulatorischen und methodischen Realitäten des Bankwesens und – genauer gesagt – der Bank, die das System verwendet, verankert sind. Dazu gehören domänenspezifische Datenstrukturen, Risikosemantik, explizite Modellierungsannahmen und im Laufe der Zeit angesammeltes institutionelles Wissen. In regulierten Umgebungen sind Ergebnisse, die lediglich plausibel sind, nicht ausreichend; sie müssen innerhalb der etablierten Finanzlogik interpretierbar sein. Wenn GenAI-Systeme auf diese Weise kontextualisiert werden, zum Beispiel durch die Wiederverwendung verfügbarer Risikodaten, unterstützen sie die Entscheidungsfindung von Experten, anstatt sie zu ersetzen, was den Validierungsaufwand verringert und die Akzeptanz erhöht [vgl. Liu et al. 2024; vgl. McKinsey 2023].

2.2. Kontrolle: Governance als Ermöglicher von Wert

Kontrolle bezieht sich auf die Mechanismen, die sicherstellen, dass GenAI-Systeme innerhalb klar definierter Grenzen arbeiten. Zu diesen Mechanismen gehören Entscheidungsstrukturen, die vom Menschen gesteuert werden, Erklärbarkeit, Überprüfbarkeit und klare Verantwortlichkeit für die Ergebnisse. Im Bankwesen werden solche Kontrollen oft als Hemmnisse für Innovationen wahrgenommen. Die Erfahrungen aus frühen GenAI-Einsätzen zeigen jedoch, dass das Fehlen einer angemessenen Kontrolle zu Nacharbeit, verzögerten Genehmigungen und einem erhöhten operationellen Risiko führt, was letztlich den wirtschaftlichen Wert schmälert [vgl. EZB 2024]. Eine robuste Kontrolle fungiert daher eher als Ermöglicher des ROI denn als Hindernis.

2.3. Kollaboration: Co-Creation von Werten statt Beschaffung

Collaboration steht für den Wechsel von der traditionellen Softwarebeschaffung zur gemeinsamen Wertschöpfung zwischen Banken und spezialisierten Softwareanbietern. GenAI-Lösungen entwickeln sich durch iterative Nutzung und Verfeinerung, was eine enge Interaktion zwischen Domänenexperten, Nutzern und Technologieanbietern erfordert. Die Banken bringen die Verantwortung für das Geschäft, das regulatorische Fachwissen und die Verantwortung für die Entscheidungen ein, während die Softwareanbieter die Datenmodelle der Domäne, die eingebettete Finanzlogik und die KI-Engineering-Fähigkeiten beisteuern, wie in Abbildung 03 dargestellt. Dieser kollaborative Ansatz konzentriert GenAI-Investitionen auf konkrete, hochwirksame Anwendungsfälle und verkürzt die Zeit bis zur Wertschöpfung [vgl. Gartner 03.2025, HBR 2023].

2.4. Aufstrebende Eigenschaften: Glaubwürdigkeit, Fähigkeit und Kontinuität

Innerhalb dieses Rahmens werden Glaubwürdigkeit, Fähigkeit und Kontinuität nicht als unabhängige Designziele behandelt, sondern als entstehende Eigenschaften. Glaubwürdigkeit entsteht, wenn kontextualisierte GenAI unter robuster Kontrolle arbeitet und Ergebnisse produziert, denen Experten vertrauen und die in Audits vertretbar sind. Kompetenz entsteht am Schnittpunkt von Kontrolle und Zusammenarbeit, wo Governance-Strukturen und iterative Entwicklung eine effektive Interaktion zwischen Mensch und KI ermöglichen. Kontinuität ergibt sich aus der Kombination von Kontext und Zusammenarbeit, die GenAI in Kernprozesse einbettet und sicherstellt, dass die Wertschöpfung über isolierte Piloten hinaus bestehen bleibt.

Fazit

Die generative KI tritt in der Bankenbranche in eine entscheidende Phase ein. Während der Hype-Zyklus reift, verlagert sich der Fokus von Experimenten auf nachhaltige Wertschöpfung. Im Jahr 2026 wird der Erfolg nicht mehr durch die Anzahl der gestarteten Pilotprojekte definiert, sondern durch die Fähigkeit, einen messbaren ROI nachzuweisen und GenAI in zentrale Finanz- und Risikoprozesse einzubetten. Institute, die diesen Übergang nicht schaffen, riskieren, in isolierten Anwendungsfällen mit begrenzter strategischer Wirkung gefangen zu bleiben.

Das vorgeschlagene C-⁶ -R-Framework unterstreicht, dass der wirtschaftliche Erfolg nicht allein von der Ausgereiftheit des Modells abhängt, sondern von der Kontextualisierung, der Governance und der gemeinsamen Wertschöpfung zwischen Banken und spezialisierten Softwareanbietern. Wo diese Dimensionen zusammenkommen, ergeben sich Glaubwürdigkeit, Fähigkeit und Kontinuität als natürliche Ergebnisse, die es GenAI ermöglichen, über das Experimentieren hinaus zu skalieren und Teil der operativen Infrastruktur zu werden.

Mit dem Aufkommen der anforderungsgesteuerten Entwicklung ist die Entwicklung von GenAI-Funktionen näher als je zuvor an den Fingerspitzen der Fachexperten im Bankwesen und ermöglicht Lösungen, die sich an den tatsächlichen Anforderungen des Betriebs- und Risikomanagements orientieren. In diesem Umfeld spielen etablierte Partner und langjährige Anbieter eine entscheidende Rolle, indem sie skalierbare Plattformen, eingebettetes Fachwissen und Lieferfähigkeiten bereitstellen. Gemeinsam mit den Banken bilden sie die Grundlage für ein Co-Creation-Modell, das GenAI von einem Versprechen in Leistung verwandelt.