Die Nutzung von KI ist bei bedeutenden Banken der Eurozone bereits weitverbreitet
Künstliche Intelligenz ist im europäischen Bankwesen längst kein Nischenthema mehr. In einer Rede vom März 2026 über KI und die Wirtschaft der Eurozone berichtete die Europäische Zentralbank, dass nahezu 90 % der bedeutenden Banken der Eurozone bereits KI-Technologien einsetzten. Im Jahr 2025 hatten die Banken zudem mehr als 4 Milliarden Euro in digitale Technologien investiert. Besonders stark war die Nutzung bei der Erkennung von Betrug und Cyberkriminalität, gefolgt von Marketing, Chatbots und Kreditscoring.
Diese Zahlen sind deshalb wichtig, weil sie die Diskussion über Politik und Management verändern. Die entscheidende Frage ist nicht mehr, ob KI im Bankwesen eine bedeutende Rolle spielen wird; das tut sie bereits. Viel dringlicher sind die Fragen, wie verschiedene Anwendungen gesteuert werden, welchen Wert sie schaffen und wie die Institute die Risiken bewältigen, die durch Daten, Modelle und externe Anbieter entstehen.
Wo Banken KI einsetzen
Die Erkennung von Betrug und Cyberkriminalität ist ein natürlicher Anwendungsbereich, da das Bankwesen große Mengen an Verhaltens- und Transaktionsdaten generiert. Maschinelle Lernsysteme können Muster erkennen, die bei herkömmlichen regelbasierten Kontrollen möglicherweise unbemerkt bleiben, und helfen den Instituten, Warnmeldungen zu priorisieren und schneller zu reagieren. Dennoch verursachen diese Systeme eigene operative Probleme. Falsch positive Meldungen können Kunden belästigen, falsch negative Meldungen können die Bank einem Verlust aussetzen, und das Verhalten der Modelle muss überwacht werden, da sich kriminelle Methoden weiterentwickeln.
Marketing ist ein weiterer häufiger Anwendungsbereich. KI kann das Kundenverhalten analysieren und eine stärker personalisierte Kommunikation unterstützen, doch die Personalisierung wirft Fragen hinsichtlich Datenschutz, Fairness und der angemessenen Verwendung von Kundendaten auf. Banken müssen nicht nur verstehen, ob ein Modell die Konversionsrate verbessert, sondern auch, ob die angewandte Methode den Erwartungen an Datenschutz, angemessenes Verhalten und Reputation entspricht.
Chatbots und Kundendienstanwendungen können die Zugänglichkeit verbessern und den Arbeitsaufwand für Routineaufgaben reduzieren, doch Kunden dürfen berechtigterweise davon ausgehen, dass von einer Bank bereitgestellte Informationen verbindlich sind. Die Institute benötigen daher klare Grenzen für die Themen, die ein Chatbot behandeln darf, Eskalationswege für komplexe Fragen und Qualitätskontrollen für die generierten Antworten.
Beim Kreditscoring wird vorsichtiger vorgegangen, da Entscheidungen über den Zugang zu Finanzmitteln sensibel sind und reguliert werden. KI kann Muster erkennen, die herkömmliche Modelle möglicherweise nicht erfassen, doch Verzerrungen, Proxyvariablen und Erklärbarkeit sind wichtige Anliegen. Eine gründliche Validierung und menschliche Aufsicht sind daher unerlässlich.
Daten- und Modellsteuerung werden zu strategischen Kompetenzen
Die Erkenntnisse der EZB unterstreichen auch die Bedeutung der Datenqualität. KI-Projekte legen häufig Schwächen in fragmentierten Informationsarchitekturen offen. Modelle sind auf konsistente, relevante und gut gesteuerte Daten angewiesen; andernfalls können die Ergebnisse unabhängig von der technischen Raffinesse unzuverlässig sein. Investitionen in KI erfordern daher häufig gleichzeitig Investitionen in die Datensteuerung.
Auch die Modellsteuerung muss sich weiterentwickeln. Generative KI verhält sich anders als viele herkömmliche statistische Modelle, da die Ergebnisse je nach Eingabeaufforderung und Kontext variieren können. Tests müssen daher ein breiteres Spektrum an Verhaltensweisen berücksichtigen. Banken sollten verstehen, unter welchen Umständen ein System gut funktioniert, in welchen Fällen es versagt und welche Kontrollen diese Schwächen ausgleichen.
Drittanbieterabhängigkeit und operative Resilienz
Die meisten Banken werden nicht jedes Basismodell selbst entwickeln. Sie werden auf externe KI- und Cloudanbieter angewiesen sein, was Konzentrations- und Lieferantenrisiken schafft. Verträge, Bedingungen für die Datenverarbeitung, die Verfügbarkeit von Dienstleistungen und Ausstiegsoptionen werden zu strategischen Fragen. Dies steht in direktem Zusammenhang mit DORA und der breiteren Aufsichtliche Aufmerksamkeit für die operative Resilienz.
KI dringt auch über gewöhnliche Produktivitätslösungen in die Banken ein, statt über formelle Programme zur Modellerstellung. Generative Funktionen in Bürosoftware, Programmierwerkzeuge und Wissenssysteme können von Tausenden von Mitarbeitern genutzt werden. Eine vollständige KI-Bestandsaufnahme sollte daher auch eingebettete Funktionen von Anbietern, Pilotprojekte und Mitarbeitertools umfassen, nicht nur zentral geförderte Projekte.
Auswirkungen auf die Kompetenzen im Bankwesen
Mit zunehmender Nutzung werden sich die Rollen verändern. Routineanalysen und administrative Aufgaben könnten zunehmend automatisiert werden, während die Mitarbeiter mehr Zeit für Ausnahmen, Urteilsentscheidungen und die Interaktion mit Kunden aufwenden. Dies erhöht den Wert von Fachkräften, die sowohl den Geschäftsbereich als auch die Technologie verstehen, die ihre Arbeit beeinflusst.
Technikspezialisten benötigen ein fundiertes Verständnis für Bankprozesse und Regulierung. Bankfachleute brauchen ausreichend KI-Kompetenz, um Ergebnisse zu hinterfragen und Versagensmuster zu erkennen. Risiko- und Compliance-Teams müssen verstehen, wie das Verhalten von Modellen mit bestehenden Kontrollen interagiert. Interdisziplinäre Kompetenzen werden daher zunehmend wichtiger.
Die eBSI Banking Academy betrachtet diese umfassendere digitale Kompetenz als Teil der beruflichen Weiterentwicklung. Bankmitarbeiter müssen keine KI-Ingenieure werden, sollten aber verstehen, wie zunehmend intelligente Systeme Risiko, Kunden und Abläufe beeinflussen. Die Daten der EZB machen deutlich, dass dies keine Frage der zukünftigen Kompetenzen mehr ist.
Fazit
Die Nutzung von KI bietet bedeutende Chancen, die Effizienz, Sicherheit und Entscheidungsunterstützung in Banken zu verbessern. Sie bringt jedoch auch neue Abhängigkeiten, Governance-Anforderungen und Anforderungen an berufliche Kompetenzen mit sich. Die Institute, die am meisten profitieren, werden diejenigen sein, die beide Extreme vermeiden: einerseits die Ablehnung nützlicher Innovationen und andererseits den Einsatz von KI ohne disziplinierte Kontrollen.
Quelle
Europäische Zentralbank, „KI und die Wirtschaft der Eurozone“, 23. März 2026. Die EZB berichtete, dass nahezu 90 % der bedeutenden Banken der Eurozone bereits KI-Technologien einsetzten und dass die im Jahr 2025 realisierten Investitionen in digitale Technologien 4 Milliarden Euro überschritten hatten.
Die Nutzungszahlen sollten sowohl als Governance-Herausforderung als auch als Innovationsmaßstab interpretiert werden
Die Zahlen der EZB deuten auch darauf hin, dass Aufsichtsbehörden Banken zunehmend nicht danach beurteilen werden, ob sie KI einsetzen, sondern ob dieser Einsatz kontrolliert wird. Wenn die Nutzung weitverbreitet ist, hört KI auf, eine differenzierende Neuheit zu sein, und wird zu einer weiteren Quelle für operatives Risiko und Modellrisiko, die in bestehende Rahmenwerke einbezogen werden müssen. Institute sollten daher sicherstellen, dass ihre Bestandsaufnahme der KI-Anwendungen vollständig ist, einschließlich der in Produkten von Anbietern und gewöhnlicher Produktivitätssoftware eingebetteten Funktionen.
Die Entwicklung der Belegschaft sollte diese Normalisierung widerspiegeln. Tausende von Mitarbeitern können indirekt mit KI interagieren, ohne sich selbst als KI-Nutzer zu betrachten. Grundlegende Kompetenzen sollten daher über spezialisierte Datenteams hinausgehen. Gleichzeitig sollte eine vertiefte Schulung auf Mitarbeiter abzielen, die Modelle validieren, automatisierte Entscheidungen überwachen oder Prozesse verwalten, die Kunden betreffen. Ein gestaffelter Ansatz ist realistischer, als anzunehmen, dass ein einziger Kurs alle Anforderungen in einer großen Bank erfüllen kann.
Institute sollten auch zwischen Experimenten und produktivem Einsatz unterscheiden. Pilotprojekte können für Lernzwecke wertvoll sein, doch sobald ein KI-System den regulären Bankbetrieb beeinflusst, benötigt es einen klaren Verantwortlichen, Änderungskontrollen und festgelegte Überprüfungsregelungen. Dieser Übergang vom Experiment in den produktiven Einsatz ist der Punkt, an dem informelle Innovationen in formelle Governance überführt werden müssen.