KI im Banking verspricht mehr Effizienz, schnellere Abläufe und neue Automatisierungsmöglichkeiten. Doch nicht jeder Prozessschritt ist automatisch ein guter KI-Use-Case.
Ein KI-Use-Case im Banking ist besonders geeignet, wenn er ein konkretes Prozessproblem adressiert, regelmäßig anfällt, klar abgegrenzt werden kann und einen messbaren Nutzen verspricht. Zusätzlich müssen die benötigten Daten verfügbar sein und es muss klar definiert sein, welche Aufgaben KI übernimmt und wann Fachkräfte eingreifen. Rein regelbasierte Aufgaben lassen sich dagegen häufig einfacher mit klassischer Automatisierung lösen.
Welche Kriterien sollte ein KI-Use-Case im Banking erfüllen?
Konkretes Prozessproblem
Welcher operative Aufwand oder Engpass soll reduziert werden?
Wiederholbarkeit
Wie häufig tritt die Aufgabe auf?
Klare Abgrenzbarkeit
Lassen sich Input, Aufgabe und erwartetes Ergebnis eindeutig definieren?
Messbarer Nutzen
Welche Verbesserung bei Zeit, Qualität, Kosten oder Fachkapazität wird erwartet?
Daten- und Prozessreife
Sind die erforderlichen Informationen verfügbar und ist der Prozess ausreichend verstanden?
Human-in-the-Loop
Welche Aufgaben kann KI übernehmen und wann muss eine Fachkraft eingreifen?
Sinnvolle KI-Use-Cases setzen damit nicht bei der Technologie an, sondern bei einem konkreten Prozessproblem.
Ein technisch spannender Anwendungsfall schafft noch keinen Business Value. Erst wenn sich eine Verbesserung auf Durchlaufzeit, Qualität, Kosten oder Arbeitsaufwand auswirkt, wird aus einer KI-Idee ein interessanter Use Case.
Wann eignet sich KI und wann klassische Automatisierung
Nicht jeder manuelle Prozess eignet sich automatisch für KI. Entscheidend ist, warum der Aufwand entsteht und welche Art von Aufgabe gelöst werden soll.
KI ist besonders dann interessant, wenn Informationen interpretiert, eingeordnet oder kontextabhängig verarbeitet werden müssen. Besteht ein Prozess dagegen überwiegend aus eindeutigen Regeln und strukturierten Daten, kann klassische Automatisierung einfacher und zuverlässiger sein. Fachlich kritische Einzelfallentscheidungen erfordern dagegen häufig weiterhin menschliche Bewertung.
Eine erste Orientierung bietet die Art der Aufgabe:
Klar regelbasiert und deterministisch = Klassische Automatisierung prüfen
Informationsintensiv und kontextabhängig = Einsatz von KI prüfen
Kontextabhängig und fachlich kritisch = KI-Unterstützung mit Human-in-the-Loop prüfen
Selten und mit geringem manuellem Aufwand = Wirtschaftlichkeit einer Automatisierung hinterfragen
KI lohnt sich vor allem dort, wo ihre Fähigkeiten gegenüber klassischer Automatisierung einen tatsächlichen Unterschied machen.
Warum sind wiederkehrende Aufgaben für KI besonders interessant?
Ein guter KI-Use-Case muss nicht spektakulär sein. Oft sind gerade Tätigkeiten interessant, die regelmäßig vorkommen und sich in ähnlicher Form wiederholen.
Je häufiger eine geeignete Aufgabe anfällt, desto stärker können sich auch moderate Verbesserungen auf den Gesamtprozess auswirken. Für die Bewertung sind deshalb insbesondere Fallzahl, heutiger Zeitaufwand und die Auswirkungen auf nachgelagerte Prozessschritte relevant.
Für einen möglichen Use Case sollten Banken deshalb drei Fragen beantworten:
- Wie häufig tritt die Aufgabe auf?
- Wie viel Zeit oder Fachkapazität bindet sie heute?
- Wie stark beeinflusst sie nachgelagerte Prozessschritte?
Eine Tätigkeit, die pro Fall nur wenige Minuten beansprucht, kann bei einer hohen Fallzahl trotzdem einen relevanten Hebel darstellen. Umgekehrt muss sich die Automatisierung eines selten auftretenden Vorgangs trotz hohen Einzelaufwands nicht automatisch rechnen.
Wie lässt sich ein KI-Use-Case klar abgrenzen?
Große End-to-End-Automatisierung klingt attraktiv. Für einen Einstieg ist sie aber selten die beste Wahl.
Ein klar abgegrenzter Use Case lässt sich leichter analysieren, testen und bewerten.
Ein klar definierter KI-Use-Case besitzt einen nachvollziehbaren Start- und Endpunkt, bekannte Eingangsinformationen, ein erwartetes Ergebnis und klare Regeln für die weitere Verarbeitung. Zusätzlich sollte feststehen, wann das System einen Fall an eine Fachkraft übergibt.
Dabei sollte deutlich sein:
- Wo beginnt und endet die Aufgabe?
- Welcher Input liegt vor?
- Welches Ergebnis wird erwartet?
- Wer oder welcher Prozess nutzt dieses Ergebnis weiter?
- Wann muss ein Mensch übernehmen?
Ein Use Case wie „den Kreditprozess mit KI verbessern“ ist zu unscharf. Ein klar definierter Teilprozess schafft dagegen eine belastbare Grundlage für Pilotierung und spätere Erweiterung.
Wie lässt sich der wirtschaftliche Nutzen von KI im Banking messen?
Eine KI-Demo kann beeindrucken. Für eine Investitionsentscheidung reicht das nicht.
Der Nutzen eines KI-Use-Cases sollte bereits vor dem Pilot anhand konkreter Ausgangswerte und Zielgrößen definiert werden. Je nach Prozess können beispielsweise Bearbeitungszeit, Durchlaufzeit, Rücklaufquote, manueller Bearbeitungsaufwand oder Fehlerquote als Kennzahlen dienen.
Bearbeitung beschleunigen: Bearbeitungszeit pro Fall
Durchlaufzeit reduzieren: Zeit vom Prozessstart bis zum nächsten relevanten Prozessschritt
Rückfragen reduzieren: Rücklauf- oder Nachforderungsquote
Fachkräfte entlasten: Manueller Zeitaufwand pro Fall
Qualität erhöhen: Fehler- oder Korrekturquote
Entscheidend ist, dass sich die Wirkung später überprüfen lässt. Deshalb sollte bereits vor einem Pilot klar sein, welche Kennzahlen den Ausgangspunkt bilden und woran sich eine Verbesserung erkennen lässt.
Was sich nicht sinnvoll messen lässt, lässt sich später nur schwer als Erfolg bewerten.
Welche Daten- und Prozessvoraussetzungen braucht ein KI-Use-Case?
Auch ein fachlich interessanter Use Case kann an seinen Voraussetzungen scheitern.
KI benötigt Zugriff auf die relevanten Informationen. Gleichzeitig muss klar sein, wie der zugrunde liegende Prozess funktioniert.
Für eine erste Bewertung sollten Banken deshalb prüfen:
- Sind die relevanten Informationen grundsätzlich verfügbar?
- Sind sie in ausreichender Qualität vorhanden?
- Ist klar, wie der Arbeitsschritt heute funktioniert?
- Lassen sich fachliche Regeln und typische Ausnahmen beschreiben?
Fehlen relevante Informationen oder ist die Prozesslogik unklar, steigt der Aufwand für Umsetzung und Integration.
Wann braucht ein KI-Use-Case Human-in-the-Loop?
Nicht jede Aufgabe im Bankengeschäft sollte vollständig automatisiert werden.
Human-in-the-Loop ist bei der Use-Case-Auswahl insbesondere dann relevant, wenn Ergebnisse fachlich bewertet werden müssen, Ausnahmen auftreten können oder eine vollständige Automatisierung nicht angemessen ist. Bereits bei der Bewertung des Use Cases sollte deshalb klar sein, welche Aufgabe KI übernimmt und welche Verantwortung bei Fachkräften bleibt.
KI kann beispielsweise Informationen vorbereiten, strukturieren oder auf Auffälligkeiten hinweisen. Fachkräfte können anschließend Ergebnisse bewerten und über den nächsten Schritt entscheiden.
Damit wird Human-in-the-Loop nicht erst bei der technischen Umsetzung relevant. Die notwendige menschliche Beteiligung ist bereits ein Kriterium dafür, wie ein KI-Use-Case sinnvoll zugeschnitten werden sollte.
Wann lohnt sich ein KI-Use-Case im Banking nicht?
Nicht jede Idee sollte es bis zum Pilot schaffen.
Ein KI-Use-Case lohnt sich in der Regel nicht, wenn:
- das Problem nur selten auftritt
- der Nutzen kaum messbar ist
- der Prozess sich häufig grundlegend verändert
- relevante Informationen fehlen
- Verantwortlichkeiten unklar sind
- eine klassische Regelautomatisierung genauso gut oder besser geeignet wäre
- der erwartete Nutzen den Aufwand für Integration und Betrieb nicht rechtfertigt
Eine KI-Lösung muss nicht nur technisch funktionieren. Sie muss ein relevantes Problem lösen und wirtschaftlich sinnvoll sein.
So wählen Banken den richtigen KI-Use-Case aus
Die Frage sollte nicht lauten: Wo können wir KI einsetzen?
Zielführender ist: Welches relevante Prozessproblem haben wir und ist KI dafür das geeignete Werkzeug?
Ein KI-Use-Case im Banking ist besonders interessant, wenn sechs Bedingungen zusammenkommen:
- Er adressiert ein konkretes Prozessproblem.
- Die zugrunde liegende Aufgabe tritt ausreichend häufig auf.
- Die Aufgabe lässt sich klar abgrenzen.
- Der erwartete Nutzen ist messbar.
- Die erforderlichen Daten und Prozessinformationen sind verfügbar.
- Die Aufgabenverteilung zwischen KI und Fachkräften lässt sich eindeutig definieren.
Erst wenn diese Voraussetzungen erfüllt sind, stellt sich die nächste Frage: Wie lässt sich der Use Case technisch umsetzen und später zuverlässig in den produktiven Betrieb überführen?
Ein konkreter KI-Use-Case im Firmenkreditgeschäft
Wie sich diese Kriterien auf einen konkreten Banking-Use-Case übertragen lassen, zeigt die Dokumentenprüfung im Firmenkundengeschäft.
Die Dokumentenprüfung ist ein Beispiel für einen klar abgrenzbaren, informationsintensiven und wiederkehrenden Prozessschritt. Dabei müssen eingereichte Unterlagen verarbeitet, relevante Informationen erkannt und mögliche Lücken oder weiterer Klärungsbedarf sichtbar gemacht werden.
Welche Rolle KI-Agentensysteme dabei spielen können und wie sich dieser konkrete Use Case einordnen lässt, zeigen wir in unserem Decision Guide:
Der Decision Guide vertieft den Use Case für Fachbereiche, IT und Operations im Firmenkundengeschäft.
