KI in der Finanzbranche: Welche Banken die Transformation führen

Die künstliche Intelligenz revolutioniert die Finanzbranche in Deutschland und weltweit. Während traditionelle Banken noch vor wenigen Jahren KI-Anwendungen als Zukunftsmusik betrachteten, setzen führende Institute derzeit Milliarden in die Automatisierung von Kreditprüfungen, Kundenservice und Betrugserkennung um. Der Wettbewerb um die besten KI-Talente und -Technologien ist entbrannt – und die ersten Gewinner zeichnen sich bereits ab.

Die Transformation der Finanzbranche durch künstliche Intelligenz vollzieht sich in atemberaubendem Tempo. Aktuell investieren die größten deutschen Banken zwischen 200 und 500 Millionen Euro jährlich in KI-Projekte. Dabei geht es nicht um prestigeträchtige Zukunftsprojekte, sondern um handfeste Effizienzgewinne, die unmittelbar auf die Bilanz wirken. Ein Kreditanalyst, der früher einen Arbeitstag für die Prüfung eines Mittelstandskredits benötigte, erhält heute ein KI-gestütztes Scoring-System, das denselben Vorgang auf einen Bruchteil der Zeit reduziert – ohne Qualitätsverluste, in vielen Fällen sogar mit besserer Risikoerkennung.

Die digitale Transformation der Bankenwelt hat längst begonnen. Doch wo stehen die großen Player wie Deutsche Bank, Commerzbank und die Sparkassen wirklich? Welche KI-Anwendungen bringen den größten Nutzen? Und warum hinken einige renommierte Institute hinterher, während FinTechs und ausländische Konzerne aufholen?

Kreditprüfung: Vom Menschen zur Maschine

Die klassische Kreditvergabe ist eine der ältesten und traditionsreichsten Tätigkeiten von Banken. Ein erfahrener Kreditanalyst studiert Jahresabschlüsse, bewertet die Bonität des Antragstellers, prüft Sicherheiten und fällt eine Entscheidung. Dieser Prozess kostete Banken lange Zeit mehrere Hundert bis über tausend Euro pro Kreditantrag allein für die interne Bearbeitung. Heute transformiert künstliche Intelligenz diese Arbeit grundlegend.

Moderne KI-Systeme können innerhalb von Minuten Daten aus zahlreichen Quellen analysieren: Kontoumsätze des Antragstellers, Handelsregistereinträge, Kredithistorien, Branchendaten, makroökonomische Indikatoren. Die Deutsche Bank setzt nach eigenen Angaben auf Machine-Learning-basierte Systeme zur Kreditprüfung, die historische Ausfallquoten mit aktuellen Datenpunkten abgleichen. Das Ergebnis: präzisere Risikovorhersagen und schnellere Genehmigungen für kreditwürdige Unternehmen.

Besonders im Mittelstandsgeschäft zeigt sich der Nutzen. Standardisierte Kreditanträge im unteren bis mittleren sechsstelligen Bereich werden bei mehreren deutschen Banken bereits zu einem erheblichen Anteil vollautomatisiert bearbeitet – ohne menschliches Zutun in der ersten Prüfstufe. Nur bei grenzfälligen oder strukturell komplexen Fällen wird ein Analyst hinzugezogen. Das spart Zeit, reduziert kognitive Verzerrungen und ermöglicht schlankere Prozesskosten, die sich theoretisch in wettbewerbsfähigeren Konditionen für Kreditnehmer niederschlagen können.

Automatisierte Bonitätsprüfung setzt Standards

Die Commerzbank verfolgt einen ähnlichen Ansatz, setzt dabei jedoch verstärkt auf alternative Datenquellen: Zahlungsverkehrsverhalten, operative Kennzahlen aus angebundenen Unternehmenssystemen und Branchenkennzahlen fließen in die Bewertung ein. Das ermöglicht es, auch junge Unternehmen oder Betriebe ohne lange Kredithistorie differenzierter zu beurteilen. Wo ein klassischer Analyst angesichts fehlender Bilanzdaten reflexartig ablehnen würde, kann ein datengestütztes Modell tatsächliche operative Stärken erkennen – und so Finanzierungszugang für Gründer und Wachstumsunternehmen verbessern.

Solche Systeme sind nicht fehlerfrei. Kritiker weisen auf Risiken bei der Automatisierung finanzieller Entscheidungen hin, insbesondere wenn Trainingsdaten historische Ungleichheiten reproduzieren. Die Aufsichtsbehörden – BaFin in Deutschland, EBA auf europäischer Ebene – beobachten den Einsatz algorithmischer Kreditentscheidungen deshalb aufmerksam. Gleichwohl zeigt die Forschungslage, dass gut kalibrierte KI-Modelle bei vergleichbaren Aufgaben weniger anfällig für systematische Diskriminierung aufgrund von Geschlecht oder Herkunft sind als menschliche Entscheider. Das ist aus regulatorischer und gesellschaftlicher Perspektive ein ernstzunehmendes Argument.

Schnelligkeit als Wettbewerbsvorteil

Ein weiterer entscheidender Faktor ist die Bearbeitungsgeschwindigkeit. Während traditionelle Kreditvergabe im Mittelstandsbereich häufig zwei bis vier Wochen in Anspruch nimmt, können KI-gestützte Systeme Standardanträge innerhalb von Stunden oder wenigen Tagen abschließend bewerten. Für wachstumsstarke Unternehmen, die kurzfristig Liquidität benötigen, kann das ein entscheidender Vorteil gegenüber dem Gang zur Hausbank sein – und erklärt, warum FinTech-Kreditplattformen wie Creditshelf oder iwoca bei bestimmten Zielgruppen Marktanteile gewinnen konnten.

Die etablierten Banken haben diese Bedrohung erkannt. Die Reaktion ist nicht Abwehr, sondern Adaption: Kooperationen mit FinTechs, Zukäufe von Technologieunternehmen und massive interne Investitionen in Dateninfrastruktur und Modelleentwicklung kennzeichnen die Strategien der großen Institute. Die Deutsche Bank etwa hat in den vergangenen Jahren mehrere hundert Datenwissenschaftler eingestellt und arbeitet mit externen Technologiepartnern zusammen, um ihre KI-Kompetenz auszubauen.

Betrugserkennung: KI als Sicherheitsnetz

Neben der Kreditprüfung ist die Betrugserkennung eines der reifsten und unmittelbar wirksamsten Anwendungsfelder von KI im Bankensektor. Zahlungskartenbetrüge, Überweisungsmanipulationen und Geldwäscheversuche verursachen der deutschen Kreditwirtschaft nach Angaben des Branchenverbands Bitkom jährlich Schäden in Milliardenhöhe. Herkömmliche regelbasierte Systeme stoßen dabei an Grenzen: Sie reagieren auf bekannte Muster, versagen aber bei neuen Angriffsmethoden.

Machine-Learning-Modelle hingegen lernen kontinuierlich aus Transaktionsdaten. Sie erkennen Anomalien in Echtzeit – eine ungewöhnliche Abbuchung aus einem fremden Land kurz nach einer inländischen Zahlung, ein plötzlicher Anstieg von Kleinstbeträgen auf einem bisher ruhenden Konto, Überweisungsmuster, die statistisch mit bekannten Geldwäscherouten korrelieren. Die Commerzbank hat nach eigenen Angaben die Falsch-Positiv-Rate ihres Fraud-Detection-Systems durch KI-Einsatz deutlich gesenkt – ein wichtiger Schritt, denn jede irrtümlich blockierte legitime Transaktion kostet Kundenvertrauen.

Auch im Bereich der Geldwäscheprävention (Anti-Money-Laundering, AML) setzt die Branche zunehmend auf KI. Traditionelle AML-Systeme generieren eine Flut von Verdachtsmeldungen, von denen ein Großteil auf echten Transaktionen beruht. KI-gestützte Systeme priorisieren Verdachtsfälle nach Risikowahrscheinlichkeit und reduzieren so den Analyseaufwand für Compliance-Teams erheblich. Das ist angesichts des wachsenden regulatorischen Drucks durch die europäische Anti-Geldwäsche-Behörde AMLA – die ihren Sitz in Frankfurt erhalten wird – von strategischer Bedeutung.

Kundenservice und Beratung: Der Chatbot als Filialersatz?

Mehr zum Thema: Wirtschafts-News

Der sichtbarste Berührungspunkt zwischen Bankkunden und künstlicher Intelligenz ist der automatisierte Kundenservice. Chatbots und virtuelle Assistenten beantworten Standardanfragen rund um die Uhr – Kontostand, Überweisungsstatus, Kartensperrung, Produktinformationen. Die Technologie ist ausgereift genug, um einfache Anliegen zuverlässig zu lösen, und entlastet damit Call-Center-Kapazitäten erheblich.

Doch die Ambitionen reichen weiter. Mehrere Institute arbeiten an KI-gestützten Beratungssystemen, die auf Basis des individuellen Finanzverhaltens personalisierte Empfehlungen geben – Spar- und Anlagevorschläge, Hinweise auf günstigere Tarife, Warnungen bei drohender Kontoüberziehung. Die ING fokussiert sich nach eigenen Angaben stark auf personalisierte Produktempfehlungen, die auf Transaktionsdaten basieren. Das Versprechen: nicht Massenmarketing, sondern individuelle Relevanz.

Skeptiker aus dem Bereich Verbraucherschutz mahnen zur Vorsicht. Wenn eine Bank gleichzeitig Kundendaten analysiert und Finanzprodukte empfiehlt, entsteht ein Interessenkonflikt, der regulatorisch klar eingehegt sein muss. Die EU-Verordnung über künstliche Intelligenz (AI Act), die seit 2024 schrittweise in Kraft tritt, stuft bestimmte KI-Anwendungen im Finanzbereich als hochriskant ein und verlangt entsprechende Transparenz- und Nachvollziehbarkeitspflichten.

Sparkassen und Volksbanken: Gemeinschaftlich in die KI-Ära

Die deutschen Sparkassen und Genossenschaftsbanken stehen vor einer besonderen Herausforderung. Als dezentral organisierte Verbünde mit Hunderten eigenständiger Institute können sie nicht so schnell und gebündelt investieren wie eine Großbank. Der Sparkassen-Verbund hat deshalb eine Gemeinschaftsstrategie entwickelt: KI-Anwendungen werden zentral über Dienstleister wie die Finanz Informatik entwickelt und dann allen Mitgliedsinstituten zur Verfügung gestellt.

Das hat Vorteile – Skaleneffekte, einheitliche Standards, Kostenteilung. Aber auch Nachteile: Die Geschwindigkeit der Innovation ist gebremst, individuelle Institute haben kaum Spielraum für eigenständige Experimente. Während eine Digitalbank ihre KI-Strategie in Wochen anpassen kann, dauern Entscheidungsprozesse im Verbund deutlich länger. Das erklärt, warum die erwarteten Effizienzsteigerungen im Sparkassensektor laut verfügbaren Branchenschätzungen unter denen der privaten Großbanken liegen.

Dennoch wäre es falsch, die Sparkassen abzuschreiben. Ihr entscheidender Vorteil bleibt das Vertrauen der Kundschaft und die regionale Verankerung – Werte, die kein Algorithmus replizieren kann. Die Frage ist, ob sie diesen Vertrauensvorschuss nutzen, um KI sinnvoll in die Beratungsleistung zu integrieren, bevor FinTechs und Neobanken den Kundenstamm weiter erodieren.

Regulierung und Risiken: Was die Aufsicht fordert

Der rasante KI-Einsatz im Finanzsektor bleibt nicht ohne Regulierungsreaktionen. Die BaFin hat 2024 ein Merkblatt zu KI-Anwendungen im Bankbereich veröffentlicht und erwartet von beaufsichtigten Instituten klare Governance-Strukturen: Wer ist verantwortlich für KI-Entscheidungen? Wie werden Modelle auf Diskriminierungsfreiheit geprüft? Wie reagiert die Bank, wenn ein Modell fehlerhafte Ergebnisse produziert? Diese Fragen sind nicht nur akademisch – sie bestimmen, ob ein Institut überhaupt bestimmte KI-Anwendungen im regulierten Umfeld betreiben darf.

Hinzu kommt der europäische AI Act, der KI-Systeme im Bereich Kredit-Scoring als hochriskant klassifiziert und besondere Anforderungen an Dokumentation, menschliche Aufsicht und Erklärbarkeit stellt. Für Banken bedeutet das: Investitionen in KI müssen immer auch Investitionen in Compliance-Infrastruktur einschließen. Wer das unterschätzt, riskiert regulatorische Eingriffe – oder im schlimmsten Fall den Rückruf ganzer Systeme.

Ausblick: Die nächste Welle kommt mit Generativer KI

Was bisher beschrieben wurde, betrifft vor allem klassisches maschinelles Lernen – Mustererkennungssysteme, die auf historischen Daten trainiert werden. Die nächste Welle ist bereits im Anrollen: Generative KI, also Sprachmodelle und multimodale Systeme der jüngsten Generation, eröffnen neue Möglichkeiten in der Finanzanalyse, im Dokumentenmanagement und in der Kundenkommunikation.

Mehrere deutsche Banken erproben intern den E