Banken, die die Erfassung von KYC-Dokumenten automatisiert haben, stellen fest, dass sich der Engpass nicht verringert hat, sondern in eine Ausnahmewarteschlange verlagert wurde, die niemand automatisiert hat. Ob Automatisierungsprogramme im Bankwesen tatsächlich schnellere Reaktionszeiten für Kunden ermöglichen oder nicht, hängt ganz davon ab, was dahintersteckt: die Daten, nicht das Modell.
Laut Untersuchungen von Chartis und Encompass dauert die Onboarding-Prozesse für Firmenkunden bei vielen Banken nach wie vor mehr als 90 Tage von Anfang bis Ende, was vor allem auf die manuelle Dateneingabe und wiederholte Informationsanfragen zurückzuführen ist. Das ist der Ausgangspunkt, den die meisten Automatisierungsbemühungen zu beheben versuchen, und hier wird auch der Unterschied zwischen der Automatisierung eines Prozesses und der Automatisierung eines Symptoms deutlich.
Wo die Automatisierung im Bankwesen bereits zu kürzeren Bearbeitungszeiten führt
Onboarding und KYC
Dies ist das deutlichste Beispiel dafür, wie Automatisierung im Bankwesen eine echte Lücke schließt, da der Ausgangspunkt so langsam ist. Untersuchungen von Chartis und Encompass ergeben, dass die Onboarding-Prozesse für Unternehmenskunden im Durchschnitt mehr als 90 Tage von Anfang bis Ende dauern, was zum großen Teil auf manuelle Prozesse und fragmentierte Daten über verschiedene Systeme hinweg zurückzuführen ist und durch Engpässe bei der Personalbeschaffung, -bindung und -schulung in den Onboarding-Teams noch verschärft wird. Die automatisierte Überprüfung der digitalen Identität von Firmenkunden, die in diesen Prozess integriert wurde, führt laut derselben Studie zu einer Verkürzung der Gesamtbearbeitungszeit um 32 %. JPMorgans Schritt hin zu agentischer KI beim Onboarding verdeutlicht das Ausmaß der Möglichkeiten: Der Onboarding-Prozess, der früher bis zu fünf Tage dauerte, sollte laut Berichten von Risk.net in weniger als einer Minute ablaufen, sobald das neue System der Bank Ende April 2026 in Betrieb genommen wird.
Die Dokumentenverarbeitung ist ein wesentlicher Grund dafür, dass das Onboarding überhaupt so langsam ist. Die manuelle Extraktion von Daten aus Gründungsurkunden, Eigentumsverhältnissen und Jahresabschlüssen ist der Punkt, an dem sich der größte Teil der Verzögerung ansammelt. Die Digitalisierung dieses Schritts durch optische Zeichenerkennung und strukturierte Datenextraktion verwandelt einen Stapel von PDF-Dateien in verwertbare, validierte Felder – was nicht nur die Erfassung selbst, sondern auch die nachgelagerten KYC- und AML-Prüfungen beschleunigt. Die Überprüfung auf Finanzkriminalitätsrisiken erfordert am Ende zwar immer noch eine menschliche Entscheidung, doch gerade bei der Kennzeichnung der Anträge, die einer genaueren Prüfung bedürfen – anstatt alle in gleicher Tiefe zu prüfen –, zeigt sich der Nutzen der Automatisierung.
Bearbeitung von Anfragen in der ersten Instanz
Kundenbetreuer im Bank- und Finanzdienstleistungssektor verbringen einen erheblichen Teil ihrer Zeit damit, Informationen zusammenzustellen, die bereits irgendwo in den internen Systemen der Bank vorhanden sind, anstatt die Frage des Kunden selbst zu beantworten. Maschinelles Lernen und natürliche Sprachverarbeitung, die hier eher auf die Informationsbeschaffung als auf die Entscheidungsfindung angewendet werden, ermöglichen es der KI, Kontoverlauf, frühere Korrespondenz und Fallnotizen zusammenzutragen, bevor ein Mensch antwortet. Das verkürzt die Zeitspanne zwischen dem Ansprechen eines Problems durch den Kunden und dem Erhalt einer brauchbaren Antwort, ohne den Kundenbetreuer aus dem Gespräch auszuschließen.
Beiden Beispielen ist eine Voraussetzung gemeinsam: Die zugrunde liegenden Finanzdaten müssen vollständig, konsistent und für das ausführende System zugänglich sein. Genau hier kommt auch der Unterschied zwischen robotergestützter Prozessautomatisierung mit einfachen Automatisierungstools und KI-gesteuerter Automatisierung zum Tragen. RPA führt eine festgelegte Abfolge von Schritten aus und bricht ab, sobald eine Ausnahme auftritt. KI-gesteuerte Automatisierung ist darauf ausgelegt, diese Ausnahme zu bewältigen – was jedoch nur funktioniert, wenn die zugrunde liegenden Daten zuverlässig genug sind, um darauf zu basieren.
Optimierung der Architektur einer Anwendung, mit der täglich über 20 Millionen Rechnungen verarbeitet werden können
Lesen Sie die FallstudieWarum es ohne Data Governance ins Stocken gerät
Die von Deloitte durchgeführte Marktumfrage „Banking & Capital Markets Data and Analytics Market Survey 2024“ ergab, dass mehr als 90 % der Nutzer von Bankdaten angeben, die benötigten Daten seien oft nicht verfügbar oder ihre Beschaffung daue zu lange, und 81 % nennen die Datenqualität als größte Herausforderung. Diese Lücke klafft zwischen der Bank und jeder darauf aufbauenden KI-Initiative: Ein Modell oder ein Workflow ist nur so zuverlässig wie die Daten, auf die es tatsächlich zugreifen kann.
Eine schwache Daten-Governance führt dazu, dass die Automatisierung auf der Grundlage falscher Informationen abläuft. Ein KI-System, das zur Vorabprüfung von Onboarding-Dokumenten entwickelt wurde, übernimmt alle bereits bestehenden Inkonsistenzen zwischen den Kernbankensystemen, dem CRM und dem Compliance-Fallmanagement-Tool. Die Datenintegration zwischen diesen Systemen ist oft unvollständig, insbesondere wenn Altsysteme noch aus der Zeit vor dem aktuellen Datenmodell der Bank stammen, und oft sind es die Finanzteams, die unvollständige Datensätze manuell abgleichen müssen, wenn die Automatisierung dies nicht leisten kann. Wenn die Daten zur juristischen Person eines Kunden in diesen drei Systemen voneinander abweichen, deckt die KI die Diskrepanz auf – meist genau in dem Moment, in dem der Kunde auf eine Entscheidung wartet.
Auch Datenvalidierungsregeln, die für die manuelle Überprüfung entwickelt wurden, lassen sich nicht immer nahtlos auf einen automatisierten Workflow übertragen. Ein menschlicher Prüfer, der ein Dokument überprüft, erkennt oft eine Formatierungsinkonsistenz und korrigiert sie sofort. Ein automatisierter Prozess, der dieselbe Validierungsregel in großem Maßstab anwendet, wird den Datensatz entweder ablehnen oder – schlimmer noch – ihn stillschweigend durchlassen, wodurch ein Prüfpfad entsteht, der auf den ersten Blick einwandfrei erscheint, es aber nicht ist. Das hat direkte Auswirkungen auf die Datensicherheit, die Einhaltung gesetzlicher Vorschriften und die aufsichtsrechtliche Berichterstattung, da die Aufsichtsbehörden von den Banken erwarten, dass sie nachweisen können, wie eine Entscheidung zustande kam, und nicht nur, wie das Ergebnis aussah.
Ein einwandfreier Prüfpfad ist auch für das eigene Risikomanagement einer Bank von Bedeutung: Ein Sicherheitsrisiko oder eine Compliance-Lücke, die nicht nachvollziehbar ist, lässt sich gegenüber einer Aufsichtsbehörde nur schwer erklären – und gegenüber einem Kunden im Nachhinein noch schwerer.
Was die Automatisierung nicht übernehmen sollte
Geschäftskundenbeziehungen basieren auf Ermessensentscheidungen, die sich nicht eindeutig auf einen Arbeitsablauf reduzieren lassen: eine Ausnahmeregelung bei den Kreditauflagen in einem schwierigen Quartal, ein Preisgespräch im Zusammenhang mit der Gesamtbeziehung, eine Frage zur Strukturierung, auf die es keine Standardantwort gibt. Die Beschleunigung der Dokumentenerfassung oder der Triage von Anfragen verschafft dem Kundenbetreuer mehr Zeit. Sie ersetzt jedoch nicht den Grund, aus dem sich ein Firmenkunde ursprünglich für einen bestimmten Kundenbetreuer entschieden hat.
Die praktische Trennlinie verläuft zwischen dem Abrufen von Informationen und der Ermessensentscheidung. KI, die vor einem Kundengespräch relevante Daten zusammenstellt, reduziert die manuelle Dateneingabe und die damit verbundenen menschlichen Fehler. Eine Entscheidung darüber, ob eine Ausnahme gewährt, eine Kreditfazilität umstrukturiert oder eine heikle Eskalation behandelt werden soll, erfordert nach wie vor die menschliche Aufsicht durch jemanden, der den Kontext abwägen kann, zu dem die KI keinen Zugang hat. Banken, die diese Grenze verwischen und Ermessensentscheidungen durch einen automatisierten Prozess leiten, nur weil die zugrunde liegenden Daten zufällig gut genug strukturiert sind, um dies zu unterstützen, erzeugen in der Regel genau die Art von Reibungsverlusten, die die Automatisierung eigentlich beseitigen sollte, und riskieren finanzielle Verluste und Reputationsschäden, von denen man sich viel schwerer erholt als von einem langsamen Prozess.
Wie „bereit“ in der Praxis aussieht
Bevor man einen kundenorientierten Prozess automatisiert, sollte man vier Dinge prüfen:
- Datenherkunft und Datengenauigkeit – Können Sie einen Kundendatenpunkt bis zu seinem Quellsystem zurückverfolgen und bestätigen, welche Version maßgeblich ist?
- Prozessdokumentation – Ist der aktuelle Arbeitsablauf klar genug abgebildet, um zu erkennen, an welcher Stelle KI tatsächlich einen Schritt überflüssig machen würde, anstatt nur ein Symptom zu automatisieren?
- Systemintegration – Kommunizieren die Systeme, auf die die künstliche Intelligenz zurückgreifen muss, tatsächlich miteinander, oder werden die Daten noch immer durch manuellen Export zwischen mehreren Systemen hin- und herbewegt?
- Eskalationswege – Ist klar, wann die KI an einen Menschen übergibt, und erfolgt diese Übergabe, ohne dass der Kunde Informationen wiederholen muss?
Nichts davon erfordert, dass die Datenqualität bankweit gelöst wird, bevor man beginnt; wichtig ist jedoch, genau zu wissen, welcher Prozess im Fokus steht, und sicherzustellen, dass dieser spezifische Datenpfad solide ist, bevor die Automatisierung darauf aufgesetzt wird.
Die richtige Abfolge zu wählen, schützt auch vor operativen Kosten: Die Behebung eines Datenproblems, nachdem ein automatisierter Prozess monatelang damit gearbeitet hat, ist teurer als die vorherige Validierung der Daten; zudem belastet es in der Regel die Beziehungen zu den Anbietern, wenn die Automatisierungsplattform für ein Datenproblem verantwortlich gemacht wird, das sie geerbt und nicht selbst verursacht hat.
Eine sichere lokale Grundlage für die konforme Entwicklung künstlicher Intelligenz
Lesen Sie die FallstudieWo soll man anfangen?
Intelligente Automatisierung im Bankensektor kann die Wartezeit eines Firmenkunden auf eine Antwort, eine Entscheidung zur Kundenaufnahme oder die Klärung einer Anfrage tatsächlich verkürzen. Diese Verbesserung ist jedoch durch die bereits bestehenden Rahmenbedingungen in Bezug auf Daten-Governance und Prozessqualität begrenzt, und der geschäftliche Nutzen kommt erst dann zum Tragen, wenn beide Aspekte gemeinsam angegangen werden, anstatt sie als getrennte Arbeitsabläufe zu behandeln. Richtig umgesetzt, wird dies zu einem echten Wettbewerbsvorteil: nicht, weil die Bank KI eingeführt hat, sondern weil ihre Daten dafür bereit waren.
Unser „AI Readiness Assessment“ basiert genau auf dieser Art der Überprüfung auf Prozessebene und identifiziert, wo Daten- und Workflow-Lücken eine KI-Einführung untergraben würden, bevor diese in Betrieb geht. Anstatt die KI-Reife abstrakt zu bewerten, betrachtet es die spezifischen Geschäftsprozesse und Kundenerlebnisse, die eine Bank beschleunigen möchte, und ermittelt, ob die dahinterstehenden Daten dies tatsächlich unterstützen können. Für Firmenkunden bedeutet dies einen Onboarding-Prozess, der nicht ins Stocken gerät, eine Anfrage, die bereits beim ersten Kontakt beantwortet wird, und einen Kundenbetreuer, der bereits vor Beginn des Gesprächs den vollständigen Überblick hat. Genau das ist es, woran sich die Kundenzufriedenheit bei Finanzinstituten misst – und es ist ein nachhaltigerer Maßstab für die Auswirkungen von KI als reine Einführungszahlen allein.
Bewertung der KI-Bereitschaft
Verschaffen Sie sich einen klaren Überblick darüber, inwieweit Ihre Daten darauf vorbereitet sind, KI-Initiativen in Ihrem Unternehmen zu unterstützen und zu skalieren.
