Zwei Strategien, ein Ziel, und kein klarer Sieger

Wer die KI-Strategien der beiden großen Bankengruppen vergleicht, sucht vergeblich nach einer eindeutigen Antwort auf die Frage, wer besser aufgestellt ist. Beide haben innerhalb kurzer Zeit eine ernstzunehmende KI-Infrastruktur in die Fläche gebracht, beide verfolgen denselben Zweck, und beide haben sich für unterschiedliche Wege dorthin entschieden. Die interessante Frage ist nicht, wer gewinnt, sondern welcher Ansatz zu welchem Institut passt.

Diese Frage ist für die einzelne Bank wichtiger als der Gruppenvergleich, denn die Strategie des Verbunds setzt den Rahmen, aber die Wirkung entscheidet sich im eigenen Haus. Ein gut gewählter Ansatz, schlecht umgesetzt, bleibt wirkungslos. Ein vermeintlich schwächerer Ansatz, konsequent genutzt, schlägt den theoretisch überlegenen. Der Vergleich lohnt deshalb vor allem als Spiegel für die eigene Umsetzung.

Der genossenschaftliche Weg: Adoption zuerst

Atruvia hat mit plainGPT auf breite Verfügbarkeit gesetzt. Die Anwendung ist ein regulatorisch konformes, datenschutzrechtlich abgesichertes Werkzeug auf Basis etablierter Sprachmodelle, das Mitarbeitenden den Einstieg in generative KI erleichtert. Die Logik ist klar: Tool verfügbar machen, Hemmschwellen abbauen, dezentral nutzen lassen und so die Technologie in den Arbeitsalltag möglichst vieler Beschäftigter bringen.

Die Resonanz bestätigt diesen Weg. Nach Angaben von Atruvia hat sich etwa die Hälfte der genossenschaftlichen Primärbanken für plainGPT entschieden, eine der steilsten Adoptionskurven im Portfolio. Aufbauend darauf bindet GenoGPT bankinternes Wissen ein und hebt die Nutzung von der reinen Recherche in frei zugänglichem Wissen auf bankspezifische Fragestellungen.

Der Vorteil dieses Ansatzes liegt in der Kultur. Wenn viele Mitarbeitende KI täglich erleben, sinkt die Skepsis, und es entstehen aus der Fläche heraus Ideen, wo sich der Einsatz lohnt. Die Technologie wird vom Sonderthema zum Werkzeug. Der Preis dieses Wegs ist eine gewisse Tiefe: Ein breit verfügbares Werkzeug ist selten auf den einzelnen, hochspezialisierten Prozess zugeschnitten.

Der Sparkassen-Weg: Souveränität zuerst

Die Finanz Informatik betont mit dem S-KIPilot die Kontrolle. Die Plattform läuft vollständig in den eigenen Rechenzentren, unabhängig von externen Cloud-Anbietern, und ist tief in OSPlus integriert. Daten verlassen das kontrollierte Umfeld nicht. Der Assistent wurde seit dem Sommer 2024 in mehreren Versionen pro Jahr ausgebaut, bis hin zu einer geplanten Verfügbarkeit an rund 200.000 Arbeitsplätzen.

Auch hier steht die breite Verfügbarkeit im Vordergrund, aber der Akzent liegt anders. Das zentrale Verkaufsargument ist die Souveränität: In einer Welt, in der DORA, der AI Act und steigende Anforderungen an Informationssicherheit das Handeln prägen, ist die Gewissheit, dass sensible Daten das Haus nie verlassen, ein gewichtiger Vorteil. Der S-KIPilot ist zudem ohne Zusatzkosten nutzbar, was die Einführung erleichtert.

Der Vorteil dieses Wegs ist die regulatorische Ruhe. Wer Daten gar nicht erst nach außen gibt, erspart sich einen großen Teil der Datenschutzdiskussion und kann KI dort einsetzen, wo die Datensensibilität am höchsten ist. Der Preis ist ein höherer Aufwand im Betrieb der eigenen Infrastruktur, der allerdings von der zentralen Stelle getragen wird, nicht vom einzelnen Institut.

Beide Ansätze funktionieren, für unterschiedliche Institute

Die ehrliche Bewertung lautet: Beide Wege sind tragfähig, und keiner ist pauschal überlegen. Welcher besser passt, hängt vom einzelnen Institut ab, von seiner Größe, seiner Risikoneigung, seiner IT-Aufstellung und vor allem von seiner Fähigkeit, das bereitgestellte Werkzeug tatsächlich in den Alltag zu bringen. Genau diese letzte Fähigkeit, nicht die Wahl des Verbunds, entscheidet über den Erfolg.

Ein Haus, das stark auf Kultur und Eigeninitiative setzt, profitiert vom breiten, niedrigschwelligen Ansatz. Ein Haus, das in einem besonders sensiblen Umfeld arbeitet oder die regulatorische Sicherheit über alles stellt, schätzt die konsequente Souveränität. In beiden Fällen gilt aber: Das Werkzeug allein verändert nichts. Es verändert erst etwas, wenn das Institut die Prozesse vorbereitet, die Mitarbeitenden befähigt und die Nutzung in die Fläche treibt.

Woran man eine gute KI-Strategie wirklich erkennt

Der Vergleich der Verbünde lenkt leicht von der eigentlichen Frage ab. Eine gute KI-Strategie erkennt man nicht an der Wahl der Plattform, sondern an drei anderen Merkmalen. Erstens an der Klarheit der priorisierten Anwendungsfälle: Weiß das Haus, wo KI den größten Hebel hat, oder probiert es planlos herum? Zweitens an der Datengrundlage: Sind die Daten so strukturiert, dass die Plattform an ihnen ansetzen kann? Drittens an der Verankerung in der Organisation: Gibt es Verantwortliche, Regeln und eine echte Einführung in die Fläche?

An diesen Merkmalen scheitern Institute unabhängig vom gewählten Verbund. Ein Haus mit plainGPT und ungeklärten Prozessen steht nicht besser da als eines mit S-KIPilot und denselben Lücken. Die Strategie des Verbunds liefert die Plattform, aber die Strategie des Hauses liefert die Wirkung. Wer das verwechselt, diskutiert über die falsche Ebene.

Der häufigste Fehler: das Werkzeug für die Strategie halten

Genau hier liegt der verbreitetste Irrtum. Viele Institute glauben, mit der Einführung von plainGPT oder S-KIPilot eine KI-Strategie zu haben. Sie haben ein Werkzeug. Eine Strategie beantwortet die Frage, wozu, in welcher Reihenfolge und mit welchem Ziel das Werkzeug eingesetzt wird, und diese Antwort kann kein Verbund liefern, weil sie vom Geschäftsmodell und den Engpässen des einzelnen Hauses abhängt.

Die Folge dieses Irrtums ist vorhersehbar. Das Werkzeug wird ausgerollt, ein Teil der Belegschaft nutzt es für kleine Erleichterungen, und nach einem Jahr fragt der Vorstand, warum sich am Geschäft nichts geändert hat. Die Antwort ist immer dieselbe: Es gab nie eine Strategie, die festlegte, welche Prozesse mit dem Werkzeug wirklich verändert werden sollten.

Die Gefahr des Plattform-Stolzes

In beiden Verbünden gibt es eine subtile Falle: den Stolz auf die eigene Plattform. Wenn ein Haus die bloße Verfügbarkeit von plainGPT oder S-KIPilot als Erfolg verbucht, hört es auf, nach Wirkung zu fragen. Die Plattform wird zum Beweis, dass man modern ist, und genau dieser Beweis ersetzt dann die eigentliche Arbeit. Das ist eine angenehme, aber teure Selbsttäuschung.

Der Plattform-Stolz lässt sich leicht entlarven mit einer einzigen Frage: Welcher konkrete Geschäftsprozess hat sich durch die Plattform messbar verändert? Wo diese Frage mit einem Beispiel beantwortet wird, ist die Plattform mehr als ein Symbol. Wo sie nur mit Nutzungszahlen beantwortet wird, ist sie genau das, ein Symbol ohne Wirkung. Nutzungszahlen sind ein Anfang, aber sie sind nicht das Ziel.

Was kleinere Institute beachten müssen

Für kleinere Sparkassen und Genossenschaftsbanken stellt sich die Frage anders als für große Häuser. Sie verfügen selten über eigene KI-Spezialisten oder große Digitalbereiche und sind stärker auf das angewiesen, was der Verbund bereitstellt. Das ist kein Nachteil, sondern verlangt nur eine andere Schwerpunktsetzung: weniger Eigenentwicklung, mehr konsequente Nutzung des Vorhandenen.

Für diese Institute liegt der Hebel nicht in einer eigenen KI-Einheit, sondern in zwei bescheideneren, aber wirksamen Maßnahmen. Erstens klar benannte Verantwortliche, die die Einführung in die Fläche treiben und Ansprechpartner sind. Zweitens die Auswahl weniger, konkreter Prozesse, an denen sich der Nutzen zeigt. Mehr braucht es zum Start nicht, und weniger führt verlässlich zur ungenutzten Plattform.

Die Rolle der Daten in beiden Welten

Unabhängig vom gewählten Verbund gilt eine eiserne Regel: Ohne strukturierte, verlässliche Daten bleibt jede Plattform wirkungslos. Das gilt für plainGPT ebenso wie für den S-KIPilot. Ein Werkzeug, das bankinternes Wissen einbinden soll, kann nur so gut sein wie das Wissen, auf das es zugreift. Liegt dieses Wissen verstreut, widersprüchlich oder unstrukturiert vor, liefert auch die beste Plattform nur unzuverlässige Ergebnisse.

Das verschiebt einen Teil der strategischen Arbeit von der Plattformnutzung zur Datenpflege. Ein Institut, das seine Daten im Griff hat, holt aus jeder Plattform mehr heraus als ein Institut mit derselben Plattform, aber chaotischer Datenlage. Die Datenfrage ist damit der heimliche Gleichmacher: Sie entscheidet über den Erfolg stärker als die Wahl zwischen den beiden Verbundansätzen.

Adoption und Souveränität sind keine Gegensätze

Bei aller Gegenüberstellung lohnt der Hinweis, dass die beiden Ansätze keine echten Gegensätze sind. Breite Adoption und hohe Souveränität schließen sich nicht aus, sie betonen nur unterschiedliche Stärken. Ein Institut kann von der breiten Verfügbarkeit profitieren und zugleich Wert auf die kontrollierte Datenhaltung legen. Die Verbünde setzen Akzente, aber das einzelne Haus muss sich nicht zwischen den Prinzipien entscheiden, sondern nur seinen Schwerpunkt finden.

Daraus folgt eine entspanntere Sicht auf den Vergleich. Statt zu fragen, welcher Verbund die bessere Philosophie hat, kann ein Haus fragen, welche Aspekte beider Philosophien für seine Situation am wichtigsten sind, und seine Umsetzung daran ausrichten. Der vermeintliche Wettstreit der Strategien ist für die einzelne Bank weniger relevant als die nüchterne Nutzung dessen, was ihr zur Verfügung steht.

Der Zeitfaktor: Vorsprung entsteht durch Umsetzung

Ein letzter Punkt betrifft die Zeit. Weil beide Verbünde die Infrastruktur breit ausrollen, verschwindet der Vorsprung, den ein früher Zugang zur Plattform einmal bedeutet hätte. Bald hat jedes Haus dieselbe Grundausstattung. Der Vorsprung entsteht dann nicht mehr durch das Werkzeug, sondern ausschließlich durch die Geschwindigkeit und Konsequenz der Umsetzung im eigenen Haus.

Das ist eine gute Nachricht für entschlossene Institute und eine schlechte für zögerliche. Wer jetzt die Prozesse vorbereitet, die Daten ordnet und die Nutzung in die Fläche treibt, baut einen Vorsprung auf, den die gleiche Plattform bei anderen nicht ausgleicht. Wer wartet, verliert genau diesen Vorsprung, obwohl er dieselben Werkzeuge hat. Am Ende schlägt die Umsetzung die Plattformwahl.

Die drei Reifegrade einer KI-Strategie

Es hilft, die eigene Position anhand von drei Reifegraden einzuordnen. Der erste Reifegrad ist die bloße Verfügbarkeit: Die Plattform ist da, einzelne nutzen sie, aber es gibt keine bewusste Steuerung. Hier stehen viele Institute, und es ist der Reifegrad, der am leichtesten mit einer Strategie verwechselt wird, obwohl er keine ist.

Der zweite Reifegrad ist die gezielte Anwendung: Das Haus hat wenige Prozesse ausgewählt, an denen es KI bewusst einsetzt, mit Verantwortlichen und messbaren Zielen. Hier beginnt Wirkung. Der dritte Reifegrad ist die Verankerung: KI ist Teil der normalen Prozessgestaltung, die Datenbasis wächst systematisch, und neue Anwendungsfälle entstehen routiniert. Erst hier zahlt sich die Investition voll aus.

Der Vergleich der Verbünde ist für diese Einordnung zweitrangig. Ein Haus im dritten Reifegrad mit plainGPT schlägt ein Haus im ersten Reifegrad mit S-KIPilot bei Weitem, und umgekehrt. Die Reife der eigenen Nutzung entscheidet, nicht die Wahl des Verbunds. Wer wissen will, wie gut seine KI-Strategie ist, misst seinen Reifegrad, nicht seine Plattform.

Was man von den Vorreitern lernen kann

Die Institute, die in beiden Verbünden am weitesten sind, eint ein Muster. Sie haben früh aufgehört, über die Plattform zu diskutieren, und früh angefangen, an konkreten Prozessen zu arbeiten. Sie haben die Datenfrage nicht aufgeschoben, sondern an ihren ersten Anwendungsfällen gelöst. Und sie haben die Einführung als Führungsaufgabe verstanden, nicht als technisches Projekt der IT.

Dieses Muster lässt sich übertragen, unabhängig von Größe und Verbund. Es verlangt keine eigene KI-Abteilung und kein großes Budget, sondern Entschlossenheit in der Auswahl weniger Prozesse, Disziplin bei den Daten und Klarheit in der Verantwortung. Genau das unterscheidet die Vorreiter von der Mehrheit, die ihre Plattform hat und auf Wirkung wartet.

Die Verantwortung bleibt beim einzelnen Haus

Am Ende führt jeder Weg zu derselben Einsicht. Die Verbünde haben ihre Hausaufgaben gemacht, indem sie sichere, leistungsfähige Plattformen breit verfügbar gemacht haben. Was sie nicht abnehmen können, ist die Verantwortung des einzelnen Hauses, daraus Wirkung zu erzeugen. Diese Verantwortung lässt sich nicht delegieren, weder an Atruvia noch an die Finanz Informatik noch an einen externen Anbieter.

Wer das akzeptiert, hört auf, auf die perfekte Plattform oder das nächste Update zu warten, und beginnt mit dem, was ohnehin im eigenen Haus liegt: priorisierte Prozesse, saubere Daten, klare Verantwortung und eine konsequente Einführung. Genau das ist die KI-Strategie, die zählt, und sie ist in beiden Verbünden dieselbe.

Der Vergleich ist interessant, die Umsetzung ist entscheidend

So aufschlussreich die Gegenüberstellung von plainGPT und S-KIPilot ist, sie bleibt eine Beobachtung über Strategien anderer. Für das eigene Haus zählt eine andere Wahrheit: Die beste Plattform der Welt verändert nichts, solange die eigenen Prozesse, Daten und Verantwortlichkeiten nicht bereit sind. Der Vergleich liefert Erkenntnis, aber den Vorsprung liefert allein die konsequente Umsetzung im eigenen Betrieb.

Was das für Ihr Haus bedeutet

Statt sich zu fragen, ob der eigene Verbund die bessere KI-Strategie hat, sollte ein Institut sich fragen, ob es das vorhandene Werkzeug strategisch nutzt. Welche zwei oder drei Prozesse wollen wir mit der verfügbaren KI spürbar verbessern? Sind die Daten dafür bereit? Wer verantwortet die Umsetzung, und woran messen wir den Erfolg? Diese Fragen sind unabhängig vom Verbund, und ihre Antworten entscheiden über den Vorsprung.

Wir helfen Ihnen, aus dem bereitgestellten Verbundwerkzeug eine echte KI-Strategie zu machen, mit priorisierten Anwendungsfällen, einer belastbaren Datengrundlage und klarer Verankerung in Ihrer Organisation. Strategie und Umsetzung aus einer Hand, aus der Branche, für die Branche. Beginnen Sie mit einem Workshop.