Alle haben einen Piloten. Kaum jemand hat einen Prozess.

Jede Bank zeigt inzwischen ihren KI-Prototypen. Fast keine zeigt, wo er im Tagesgeschäft trägt. KI-Projekte in Banken scheitern selten an der Technik, sie scheitern an der fehlenden Integration in den laufenden Prozess. Ein Modell, das im Testraum überzeugt, erzeugt keinen Wert, solange es nicht an einer konkreten Stelle der Wertschöpfung Arbeit übernimmt.

Wie viele KI-Piloten scheitern wirklich?

Die Zahl ist unbequem. Nach der Studie State of AI in Business 2025 der Forschungsinitiative NANDA am Massachusetts Institute of Technology liefern 95 Prozent der untersuchten generativen KI-Piloten in Unternehmen keinen messbaren Ertrag. Die Autoren nennen das die GenAI-Kluft: Zwischen beeindruckender Demo und produktivem Nutzen liegt ein Graben, den die meisten Organisationen nicht überqueren.

Der Finanzsektor steht dabei nicht am Anfang. Nach einer 2026 veröffentlichten Studie im Auftrag des Softwareanbieters ABBYY setzen 91 Prozent der befragten Finanzinstitute bereits generative KI ein, 98 Prozent berichten von positiven Ergebnissen. Der Widerspruch zur MIT-Zahl ist nur scheinbar. Einsatz ist nicht dasselbe wie Skalierung. Viele Häuser haben KI im Betrieb, aber an einer einzelnen Stelle, nicht durchgängig im Prozess.

Warum der Prozess entscheidet, nicht das Modell

Die Hürden liegen nicht im Sprachmodell. In der ABBYY-Studie nennen 39 Prozent der Institute das Training der Modelle als komplexer als erwartet, 32 Prozent die Integration in bestehende Abläufe, 29 Prozent fehlende Kompetenzen und über ein Viertel unzureichende Governance-Strukturen. Drei dieser vier Bremsen sind organisatorisch, nicht technisch.

Das erklärt, warum eine gekaufte KI-Lösung allein nichts bewegt. Ein Modell, das Kreditunterlagen liest, spart erst dann Zeit, wenn seine Ausgabe ohne manuelles Nacharbeiten in das Kernbanksystem fließt. Fehlt diese Anbindung, entsteht ein zweiter Arbeitsschritt statt eines eingesparten. Die Bank hat dann ein Werkzeug gekauft und einen Prozess verlängert.

Der Unterschied zwischen Einsatz und Skalierung

Einsatz heißt: Das Modell läuft in einer Abteilung, ein Team nutzt es, der Effekt bleibt lokal. Skalierung heißt: Der Anwendungsfall ist in den Standardablauf eingezogen, die Ausgabe wird ohne Umweg weiterverarbeitet, und der Nutzen ist in einer Kennzahl sichtbar. Der Übergang zwischen beiden Zuständen ist kein technischer Schritt, sondern eine Entscheidung über Prozess, Verantwortung und Datenfluss.

Genau an dieser Schwelle bleiben die meisten Häuser stehen. Der Pilot beweist, dass die Technik funktioniert, aber niemand hat entschieden, wer den produktiven Betrieb verantwortet, wie mit Fehlern umgegangen wird und an welche Systeme das Ergebnis andockt. Ohne diese Klärung bleibt der Nutzen im Testraum.

Woran Skalierung in der Bank konkret hängt

Skalierung beginnt mit der Frage, welchen Prozess die KI übernimmt und wer danach die Verantwortung trägt. Wer die Abläufe nicht kennt, kann sie nicht automatisieren. Process Mining macht Prozesse sichtbar, die kein Mensch vollständig überblickt, und legt damit die Stellen frei, an denen KI wirklich trägt.

Der zweite Faktor ist der Zuschnitt. Nicht das große Plattformprojekt bringt den ersten Ertrag, sondern die eng umrissene Aufgabe. KI gehört in den Prozess, nicht ins Labor, eingebettet in einen bestehenden Arbeitsschritt mit klarem Input und klarem Output, statt als Experimentierfeld neben dem Tagesgeschäft.

Der dritte Faktor ist Governance. Ohne definierte Zuständigkeit für Fehler, Nachvollziehbarkeit und Freigabe bleibt jede Automatisierung im Piloten hängen, weil niemand sie in die Produktion entlässt. Governance ist hier kein Bremsklotz, sondern die Bedingung, unter der ein Haus KI überhaupt in kritische Prozesse lässt.

Was die Häuser tun, die es schaffen

Institute, die den Sprung schaffen, behandeln den Piloten von Anfang an als Vorstufe der Produktion, nicht als Selbstzweck. Sie definieren vor dem ersten Test, wie Erfolg gemessen wird und an welche Systeme das Ergebnis andockt. Der Weg vom Piloten zum Produktiveinsatz ist planbar, wenn er von hinten gedacht wird, von der Integration her.

Ein zweiter Hebel ist die Dokumentenverarbeitung. Weil viele Bankprozesse an unstrukturierten Unterlagen hängen, entscheidet die Maschinenlesbarkeit der Dokumente darüber, ob eine Strecke dunkel läuft. Wie das im Detail funktioniert, zeigt Intelligent Document Processing in der Antragsstrecke. Ohne diese Grundlage bleibt jede nachgelagerte Automatisierung Stückwerk.

Der dritte Unterschied ist kulturell. Erfolgreiche Häuser messen Piloten nicht am Wow-Effekt der Demo, sondern an einer einzigen Frage: Läuft der Prozess danach ohne den Menschen, der ihn vorher gemacht hat? Wer diese Frage zur Startbedingung macht, sortiert die 95 Prozent aus, bevor sie Budget binden.

Warum das Kaufen allein nicht reicht

Viele Häuser behandeln KI wie eine gewöhnliche Software-Beschaffung: Lizenz kaufen, einführen, fertig. Der Vergleich trägt nicht. Eine KI entfaltet Wirkung erst im Zusammenspiel mit einem konkreten Prozess, mit Daten in ausreichender Qualität und mit Menschen, die ihre Ausgabe nutzen. Wer nur die Lizenz kauft, hat ein Werkzeug ohne Werkbank.

Das erklärt, warum zwei Häuser mit derselben Technik völlig unterschiedliche Ergebnisse erzielen. Der Unterschied liegt nicht im Modell, sondern in der Umgebung, in die es eingebettet ist. Genau diese Umgebung ist die eigentliche Arbeit, und sie lässt sich nicht einkaufen.

Der ehrlichste Frühindikator

Es gibt einen einfachen Test, ob ein Pilot Zukunft hat: Kann das Haus benennen, welche Kennzahl sich durch ihn verbessert, und um wie viel? Wer diese Frage nicht beantworten kann, hat kein Messproblem, sondern kein Ziel. Ein Pilot ohne definierte Zielkennzahl ist ein Experiment, kein Projekt, und Experimente skalieren nicht.

Wer den Sprung organisiert

Der Sprung vom Piloten in die Produktion ist selten Aufgabe der IT allein. Er gelingt, wenn Fachbereich, IT und eine verantwortliche Führungskraft denselben Prozess im Blick haben und gemeinsam entscheiden, wann er in den Regelbetrieb geht. Fehlt diese gemeinsame Verantwortung, bleibt der Pilot ein Vorzeigeobjekt ohne Zuhause im Tagesgeschäft.

Der nächste Schritt

Wer einen Piloten hat, aber keinen produktiven Prozess, hat kein Technikproblem, sondern ein Umsetzungsproblem. Eine Potenzialanalyse trennt die Anwendungsfälle, die sich lohnen, von denen, die nur im Testraum glänzen. In einer kostenlosen Sprechstunde ordnen wir Ihren aktuellen Stand ein und benennen den einen Prozess, an dem sich Skalierung zuerst auszahlt.