Kaum eine andere Branche investiert derzeit so konsequent in Künstliche Intelligenz wie Finanzinstitute. Eine aktuelle Studie unter mehr als 400 Führungskräften aus den USA, Grossbritannien, Deutschland und der Schweiz zeigt, dass sich bereits 77 Prozent der KI-Initiativen in der Skalierung von der Pilotphase in die Produktion befinden.
In der Schweiz planen zudem 62 Prozent der Finanzinstitute den weiteren Ausbau ihrer Data- und AI-Teams.
Auf den ersten Blick deutet vieles auf eine erfolgreiche Modernisierung hin. Bei genauerem Hinsehen zeigt sich jedoch ein anderes Bild, denn der Übergang von einzelnen KI-Anwendungen zu echter, unternehmensweiter Wertschöpfung gelingt nur wenigen Organisationen konsistent.
Der Grund: Die Technologie ist da, aber die Organisation blockiert.
Die Illusion der Skalierung
Viele Institute verwechseln derzeit Bewegung mit Fortschritt. KI-Projekte werden produktiv gesetzt, Modelle in Betrieb genommen, neue Use Cases ausgerollt. Doch echte Skalierung, also messbarer, unternehmensweiter Impact, bleibt die Ausnahme.
Nur ein kleiner Teil der Organisationen schafft es, KI so zu verankern, dass sie über einzelne Anwendungen hinaus Wirkung entfaltet, so das Ergebnis der Studie. Der Grund ist dabei überraschend banal und zugleich systemisch gravierend. 48 Prozent der Führungskräfte nennen eine fragmentierte oder unklare Datenverantwortung als grösstes Hindernis. In der Schweiz sind es sogar 71 Prozent, die fehlende Datenhoheit als zentrale Skalierungsbremse identifizieren.
Das Problem ist damit kein Datenmangel, es ist Datenanarchie im Organisationssystem
Das Problem ist damit kein Datenmangel. Es ist Datenanarchie im Organisationssystem. Daten sind zwar formal "vorhanden", aber faktisch nicht steuerbar. Sie liegen in Abteilungen, in Legacy-Systemen, in Fachbereichen mit historisch gewachsenen Zuständigkeiten. Doch niemand trägt die durchgängige Verantwortung dafür, dass Daten konsistent, zugänglich und KI-ready sind.
Das Resultat ist eine paradoxe Situation: Je mehr Daten vorhanden sind, desto schwieriger wird ihre Nutzung. KI verstärkt diese Problematik, weil sie genau auf die fehlende klare Ownership, saubere Datenflüsse und verbindliche Governance angewiesen ist.
Die Folge ist kein technisches Scheitern, sondern eine strukturelle Überforderung.
Entscheidungszentren statt Entscheidungsnetzwerke
Neben der Datenfrage zeigt die Studie ein zweites, ebenso kritisches Muster: Entscheidungs-Architekturen. 56 Prozent der grossen Technologie-Investitionen müssen weiterhin auf C-Level-Ebene entschieden werden. Lediglich 5 Prozent werden an Daten- oder Digitalverantwortliche delegiert.
Das klingt nach Kontrolle. Tatsächlich ist es ein Skalierungshemmnis. Denn KI-Systeme benötigen Geschwindigkeit, Iteration und Nähe zur Anwendung. Wenn jede Entscheidung über zentrale Gremien läuft, wird aus agiler Technologie ein bürokratischer Prozess. Die Organisation arbeitet dann nicht mit KI, sondern verwaltet sie.
Die Organisation arbeitet nicht mit KI, sondern verwaltet sie
Die Konsequenz ist ein strukturelles Spannungsfeld. Während KI Echtzeitlogik erfordert, bleibt die Organisation in Monatszyklen der Abstimmung gefangen.
Ein zentrales Ergebnis der Studie ist deshalb so eindeutig wie unangenehm: Nur 7 Prozent der Organisationen planen den Übergang zu produktorientierten, funktionsübergreifenden Strukturen, die KI konsequent in Wertschöpfung übersetzen können, oder befinden sich bereits in diesem Übergang.
Der Rest operiert weiterhin in klassischen Linienstrukturen, optimiert für Stabilität, nicht für Lernfähigkeit. Genau hier entsteht der eigentliche Bruch. KI verändert nicht nur Prozesse. Sie verändert die Logik von Organisationen selbst: weg von funktionaler Trennung, hin zu datengetriebenen Produkt- und Outcome-Strukturen.
Solange dieses Operating Model nicht angepasst wird, bleibt KI ein Add-on zur bestehenden Organisation und kein integraler Bestandteil.
Interessant ist, dass die Prioritäten der Branche sich bereits verschoben haben. KI wird nicht mehr primär als Effizienztool verstanden. 44 Prozent der befragten Führungskräfte nennen eine verbesserte Zuverlässigkeit oder ein verbessertes Risikomanagement als wichtigsten Treiber für KI-Investitionen. Jeweils 17 Prozent fokussieren sich auf neues Umsatzwachstum beziehungsweise eine verkürzte Markteinführungszeit.
Das bedeutet, dass KI längst im Kern der Geschäftslogik angekommen ist. Sie soll nicht nur Kosten senken, sondern auch Margen schützen, Wachstum beschleunigen und Risiken reduzieren, etwa in der Betrugserkennung, in Schadenprozessen, im Zahlungsverkehr oder bei personalisierten Kundeninteraktionen. Doch diese Ambition kollidiert mit Strukturen, die für eine andere Zeit gebaut wurden.
KI als Spiegel der Organisation
Die vielleicht wichtigste Erkenntnis der Studie ist zugleich die unbequemste. KI scheitert selten an der Technologie. Sie scheitert an der Organisation, die sie nutzt. Oder anders gesagt: KI allein ist kein Transformationsmotor. Sie ist ein Verstärker bestehender Strukturen.
KI scheitert selten an der Technologie, sie scheitert an der Organisation, die sie nutzt
Wenn Daten fragmentiert sind, werden sie durch KI nicht automatisch integriert. Wenn Entscheidungen zentralisiert sind, werden sie durch KI nicht automatisch dezentralisiert. Und wenn Verantwortung unklar ist, wird sie durch KI nicht plötzlich eindeutig. KI macht sichtbar, wo Entscheidungen fehlen. Und sie erhöht den Preis der Unentschlossenheit.
Der eigentliche Paradigmenwechsel liegt darin, dass nicht die Einführung von KI riskant ist, sondern ihre Einführung in unklare Strukturen.
Outcome statt Output: Die neue Logik der Finanzorganisation
Die Studie beschreibt deshalb ein neues Zielbild: die "outcome-led financial services organization". Gemeint ist eine Organisation, in der Daten, Governance und Operating Model konsequent auf messbare Ergebnisse ausgerichtet sind.
Das klingt abstrakt, hat aber sehr konkrete Konsequenzen:
- Datenverantwortung muss eindeutig definiert sein, nicht als Nebenrolle, sondern als Kernfunktion
- Entscheidungen müssen näher an Produkte und Daten verlagert werden
- Teams müssen cross-funktional arbeiten, nicht entlang historischer Silos
- KI muss in End-to-End-Prozesse integriert werden, nicht als isoliertes Tool
Ohne diese Verschiebung bleibt KI ein isoliertes Innovationsprojekt und kein skalierbares Geschäftsmodell.
Die Finanzbranche steht damit vor einer schwierigen Erkenntnis: Die grösste Hürde für KI ist nicht die Datenplattform, nicht das Modell und nicht die Cloud-Architektur. Es ist die Frage, wie Entscheidungen getroffen werden.
Solange Organisationen versuchen, neue Technologie in alte Steuerungslogiken zu pressen, entsteht kein Fortschritt, sondern Reibung. Und Reibung skaliert schlecht. Modernisierung ist kein IT-Upgrade. Sie ist ein Umbau des Betriebssystems der Organisation.
Am Ende entscheidet nicht die Intelligenz der Maschine über den Erfolg von KI in der Finanzbranche, sondern die Intelligenz der Organisation
Die eigentliche KI-Transformation beginnt im Organigramm
KI ist in der Finanzbranche längst Realität. Die Mehrheit der Institute hat den Sprung von der Experimentierphase in die Produktion geschafft. Doch dort beginnt das eigentliche Problem. Denn Produktion allein ist kein Erfolg. Erfolg entsteht erst dann, wenn Technologie, Daten und Organisation zusammenpassen. Die entscheidende Frage ist daher nicht mehr, ob Finanzinstitute KI einsetzen. Sondern ob sie bereit sind, ihre Struktur so zu verändern, dass KI überhaupt wirken kann.
Am Ende entscheidet nicht die Intelligenz der Maschine über den Erfolg von KI in der Finanzbranche, sondern die Intelligenz der Organisation.
