Warum KI-Wissen in Banken an einzelnen Köpfen klebt

In den meisten Instituten kennt genau eine Person das Prompt-Design, die Modellparameter und die Datenlogik hinter der ersten produktiven KI-Anwendung. Wenn KI-Kompetenz an einzelnen Mitarbeitern hängt, ist jedes Modell nur so stabil wie der Arbeitsvertrag seines Entwicklers. KI entsteht in Banken bislang projektgetrieben: Ein motivierter Kopf baut, dokumentiert wenig, liefert schnell. Das Wissen wächst in seinem Kalender, nicht in der Organisation. Genau hier entsteht das Risiko, das dieser Text adressiert: KI-Governance-Wissensverlust in der Bank.

Was passiert, wenn der KI-Experte kündigt?

Fällt die Schlüsselperson aus, verliert die Bank nicht nur Arbeitskraft. Sie verliert die Fähigkeit, ihr eigenes Modell zu erklären. Aufsicht, Revision und Vorstand fordern Nachvollziehbarkeit, doch niemand kennt mehr die Annahmen hinter dem Score. Der Betrieb läuft weiter, die Kontrolle nicht. Ein Modell, das niemand mehr versteht, wird zur Blackbox mit Bilanzwirkung. Personenabhängigkeit verwandelt einen operativen Vorteil in ein regulatorisches Klumpenrisiko.

Was verlangt die Aufsicht zur Nachvollziehbarkeit von KI-Modellen?

Die 7. MaRisk-Novelle der BaFin, der deutschen Finanzaufsicht, verpflichtet Institute seit dem 29. Juni 2023 dazu, Annahmen, Parameter und einfließende Daten ihrer Modelle nachvollziehbar darzulegen und hinreichende Kenntnisse über die Modell-Konzeption nachzuweisen. Die Aufsicht verlangt eine geeignete Data Governance und die Möglichkeit, Modellergebnisse manuell zu überschreiben. Diese Pflichten adressieren das Institut, nicht die Einzelperson. Wer Nachvollziehbarkeit an einem einzelnen Wissensträger festmacht, erfüllt die Anforderung formal, aber nicht belastbar. Mehr zur Verzahnung von Regulatorik und Modellsteuerung liefert der Beitrag MaRisk 2026 und Modell-Governance.

Wie groß ist die Kompetenzlücke in der Finanzbranche wirklich?

Der Digitalverband Bitkom stellt fest, dass nur 22 Prozent der Unternehmen in Deutschland über Beschäftigte mit den nötigen KI-Kompetenzen verfügen (Bitkom, Februar 2024). Gleichzeitig sehen 39 Prozent der Unternehmen KI als notwendiges Mittel gegen den Fachkräftemangel (Bitkom, Februar 2024). Beide Zahlen zusammen beschreiben die Falle: Der Bedarf steigt, die Kompetenz konzentriert sich auf wenige. In einer Bank mit drei KI-affinen Mitarbeitern ist der Verlust eines Einzelnen kein Personalthema, sondern ein Steuerungsthema.

Welche Dokumentation macht KI-Wissen personenunabhängig?

Personenunabhängigkeit beginnt mit einer Modellkarte pro Anwendung: Zweck, Datenquellen, Trainingslogik, Grenzen, Verantwortliche, Freigabedatum. Jede produktive KI-Anwendung braucht ein versioniertes Register, das ohne Rückfrage beim Entwickler auskunftsfähig ist. Prompts, Systemanweisungen und Schwellenwerte gehören in ein zentrales Repository, nicht in lokale Notizen. Entscheidungen über Modelländerungen gehören protokolliert, mit Begründung und Datum. Dokumentation ersetzt keine Kompetenz, aber sie macht Kompetenz übertragbar. Eine Bank, die ihre Modelle so beschreibt, dass ein neuer Mitarbeiter sie in zwei Wochen betreibt, hat das Schlüsselpersonen-Risiko halbiert.

Wie verankern Banken KI-Wissen in Prozessen statt in Köpfen?

Wissen wird stabil, wenn es Teil eines wiederkehrenden Ablaufs wird. Ein festes Vier-Augen-Prinzip bei jeder Modellfreigabe zwingt zwei Personen ins Thema. Regelmäßige Modell-Reviews im Quartal verteilen Kenntnis über Fachbereich, Risikocontrolling und IT. Rotation in der Betreuung verhindert, dass ein Modell zum Privatprojekt wird. Onboarding-Pfade für KI-Rollen sorgen dafür, dass Nachfolger nicht bei null starten. Prozesse tragen Wissen weiter, auch wenn Menschen gehen. Genau das ist der Kern jeder belastbaren KI-Governance gegen Wissensverlust in der Bank.

Welche Rolle spielt Schatten-KI beim Wissensverlust?

Wo offizielle Werkzeuge fehlen, greifen Mitarbeiter zu privaten Tools. Diese Schatten-KI entzieht sich jeder Dokumentation und verschwindet mit der Person, die sie eingeführt hat. Ungesteuerte Nutzung ist doppelter Wissensverlust: Das Institut lernt nicht, und es verliert Kontrolle über Daten. Wie Banken den Übergang von verbotener zu gesteuerter Nutzung schaffen, zeigt der Beitrag zu Schatten-KI in Instituten.

Wie sieht ein belastbarer Governance-Rahmen aus?

Ein tragfähiger Rahmen definiert drei Verteidigungslinien für KI. Der Fachbereich betreibt und dokumentiert, das Risikocontrolling prüft Annahmen und Grenzen, die Revision kontrolliert unabhängig. Jede Linie braucht eigene, geschulte Personen, damit kein Wissen an einer Stelle bündelt. Ein zentrales KI-Inventar listet jede Anwendung mit Kritikalität, Verantwortlichem und letztem Review. Eskalationswege regeln, wer bei Modellabweichungen entscheidet. Governance verteilt Verantwortung und damit auch Wissen. Ein Rahmen, der ohne die Namen einzelner Mitarbeiter funktioniert, erfüllt seinen Zweck.

Was Banken jetzt konkret tun

Beginnen Sie mit einer Bestandsaufnahme: Welche KI-Anwendung hängt an genau einer Person? Diese Liste ist Ihre Prioritätenordnung. Erstellen Sie für jede kritische Anwendung eine Modellkarte und lassen Sie sie von einer zweiten Person gegenlesen. Verankern Sie Dokumentation als Freigabekriterium, nicht als Nacharbeit. Schulen Sie mindestens zwei Personen pro Modell auf Betriebsniveau. Etablieren Sie Quartals-Reviews mit fester Teilnehmerrunde. Jede dieser Maßnahmen kostet weniger als der ungeplante Abgang des einzigen Menschen, der Ihr wichtigstes Modell versteht. Wer den Rahmen jetzt aufsetzen will, startet mit einer KI-Governance-Sprechstunde oder einem kompakten Workshop bei Sotica.