Finanzinstitute haben gezeigt, dass sie mit künstlicher Intelligenz experimentieren können. Sie sind in der Lage, Tests durchzuführen, Ergebnisse zu validieren und in kontrollierten Umgebungen den Mehrwert nachzuweisen. Die eigentliche Herausforderung beginnt, wenn aus einem erfolgreichen Pilotprojekt ein Produktionssystem werden muss, das mit mehr Daten, Nutzern, Prozessen und Geschäftsbereichen arbeiten kann.
Wenn Unternehmen von einem Pilotprojekt zu einer größeren Einführung übergehen, verändert sich die Umgebung. Pilotprojekte stützen sich in der Regel auf ausgewählte Daten, spezifische Integrationen und eine kleine Nutzergruppe. Auf Unternehmensebene verschwinden diese Schutzmechanismen. Modelle müssen nun fragmentierte Systeme verwalten, Governance-Regeln befolgen, Sicherheitsstandards erfüllen, im Budget bleiben und sich in Geschäftsprozesse einfügen, die nicht für KI entwickelt wurden.
Teradata, ein Anbieter von Analyse- und Datenplattformen für Unternehmen, beschreibt dies als die Lücke zwischen dem Nachweis, dass KI funktionieren kann, und der Schaffung einer Umgebung, in der sie zuverlässig und skalierbar eingesetzt werden kann.
Für Banken, Versicherer und andere Finanzinstitute sind die Anforderungen an Governance, Daten, Infrastruktur, Sicherheit und Aufsicht, die bei einer Skalierung entstehen, nicht bloß Hindernisse für die Einführung. Es handelt sich um Fähigkeiten, die Institute stärken müssen, damit erfolgreiche Experimente zu nachhaltigen Produktionssystemen werden können.
Es gibt fünf zentrale Bereiche, auf die es zu achten gilt: Governance und regulatorische Anforderungen, Daten und Architektur, Kosten- und Rechenressourcenmanagement, Sicherheit und Auditierbarkeit sowie menschliche Aufsicht.
Was sich nach dem Pilotprojekt ändert
Die Überführung von KI in den Produktionsbetrieb bringt neue Anforderungen mit sich, denen kontrollierte Experimente möglicherweise nicht begegnen.
KI-Pilotprojekt | Unternehmensweite Implementierung |
| Begrenzter Umfang und wenige Nutzer | Breiterer Einsatz über Teams und Prozesse hinweg |
| Aufbereitete Datensätze | Daten aus bestehenden Unternehmenssystemen |
| Definierte Integrationen | Verbindungen über die bestehende Infrastruktur hinweg |
| Kurzfristige Testkosten | Laufende Betriebskosten |
| Auf einen Anwendungsfall zugeschnittene Kontrollen | Kontrollen, die über mehrere Implementierungen hinweg funktionieren |
- Governance muss über das Pilotprojekt hinaus funktionieren
- Produktions-KI legt Schwächen der Datengrundlage offen
- Die KI-Ökonomie verändert sich bei unternehmensweiter Skalierung
- Sicherheit und Auditierbarkeit müssen in die Umgebung integriert werden
- Menschliche Aufsicht muss Teil des Designs sein
- KI-Erfolge in einen wiederholbaren Prozess überführen
Governance muss über das Pilotprojekt hinaus funktionieren
Ein kleines KI-Projekt kann oft innerhalb eines eng begrenzten Genehmigungsprozesses betrieben werden, doch unternehmensweite KI wirft ein breiteres Spektrum an Governance-Fragen auf. Institute müssen festlegen, welche Daten ein Modell verwenden darf und wer
für seine Ergebnisse verantwortlich ist, wie Änderungen geprüft werden und welche Dokumentation für Aufsichtsbehörden oder Auditoren verfügbar sein muss.
Governance funktioniert besser, wenn Institute einen einheitlichen Rahmen für Genehmigungen, Dokumentation und Verantwortlichkeit schaffen, der auf mehrere Anwendungsfälle angewendet werden kann. Diese Grundlage muss geschaffen werden, bevor Unternehmen aggressiv skalieren. Ein zu schnelles Vorgehen kann zwar den Eindruck von Fortschritt erwecken, doch ungelöste Governance-Lücken treten meist später wieder zutage, wenn mehr Systeme und Geschäftsprozesse von der Technologie abhängen.
Produktions-KI legt Schwächen der Datengrundlage offen
KI-Pilotprojekte stützen sich häufig auf sorgfältig aufbereitete Datensätze, während Produktionssysteme mit Daten arbeiten müssen, die über Kernsysteme, Cloud-Plattformen, Abteilungsanwendungen und veraltete Infrastrukturen verteilt sind. In einem Proof of Concept können Teams diese Lücken umgehen, doch wenn sie dies für jeden neuen Anwendungsfall tun, entstehen zusätzliche Pipelines, Datenkopien und Abstimmungsaufwand.
Die Skalierung von KI hängt von einer gemeinsamen Datengrundlage ab, die einen zuverlässigen Zugriff auf vertrauenswürdige Informationen mit geeigneten Kontrollen ermöglicht. Institute können ihre bestehende Datenumgebung und Governance-Prozesse nutzen, sodass jede neue Implementierung weniger Einrichtung erfordert. Der Fortschritt hängt dann davon ab, wie oft erfolgreiche Anwendungsfälle in den Produktionsbetrieb überführt werden können.
Die KI-Ökonomie verändert sich bei unternehmensweiter Skalierung
Ein Proof of Concept kann höhere Kosten verkraften, während Teams testen, ob ein Anwendungsfall einen Mehrwert liefert. Auf Unternehmensebene müssen Verantwortliche verstehen, welche Kosten der Betrieb jeder einzelnen Workload verursacht und ob sie genügend geschäftlichen Mehrwert liefert, um diese Investition zu rechtfertigen.
Auch Entscheidungen über Rechenressourcen werden komplexer, sobald KI in den Produktionsbetrieb übergeht. Institute müssen möglicherweise Leistung, Kosten, Datenstandort, Sicherheit und Workload-Anforderungen über verschiedene Infrastruktumsumgebungen hinweg abwägen. Ein wiederholbarer Rahmen für diese Entscheidungen kann verhindern, dass jeder neue KI-Anwendungsfall zu einem eigenen Infrastrukturprojekt wird.
Das Kostenmanagement sollte ein zentraler Bestandteil des KI-Betriebs sein. Teradata zufolge sollte sich der für die Skalierung erforderliche Kosten- und Arbeitsaufwand stabilisieren, sobald Unternehmen ihre KI-Umgebung industrialisieren. Dadurch wird es einfacher, neue Implementierungen anhand einer konsistenteren operativen und wirtschaftlichen Grundlage zu bewerten.
Sicherheit und Auditierbarkeit müssen in die Umgebung integriert werden
Finanzinstitute unterliegen bereits strengen Sicherheits- und Risikoanforderungen. KI wirft neue Fragen dazu auf, wer auf Systeme und Daten zugreifen darf und wie Aktivitäten nachvollzogen und überprüft werden können. Diese Fragen lassen sich schwerer beantworten, wenn KI-Teams mit getrennten Tools und Prozessen arbeiten.
Eine Produktionsumgebung benötigt einheitliche Sicherheitskontrollen und eine verlässliche Aufzeichnung darüber, wie KI-Systeme arbeiten. Je autonomer diese Systeme werden, desto mehr brauchen Institute außerdem klare Grenzen dafür, was sie tun dürfen, sowie eine Möglichkeit, ihre Aktionen zu überprüfen.
Menschliche Aufsicht muss Teil des Designs sein
Die Skalierung von KI erfordert klare Regeln dafür, wann ein System selbstständig handeln darf und wann ein Mensch seine Aktionen prüfen muss. Diese Schwellenwerte sollten das Risiko des jeweiligen Anwendungsfalls widerspiegeln und die Verantwortlichkeit eindeutig festlegen.
Ein System, das ein internes Dokument zusammenfasst, erfordert möglicherweise nicht dasselbe Maß an Aufsicht wie eines, das Kreditvergabe, Betrugserkennung, Versicherungs- oder Kundenentscheidungen beeinflusst. Institute können den Umfang der menschlichen Prüfung anhand der potenziellen Folgen der Aktionen eines Systems anpassen.
KI-Erfolge in einen wiederholbaren Prozess überführen
Zusammengenommen bestimmen diese Bereiche, was nach dem Erfolg eines KI-Pilotprojekts geschieht. Eine stärkere Governance sowie eine robustere Infrastruktur, Sicherheit und Aufsicht geben Finanzinstituten eine Grundlage, die sie
wiederverwenden können, wenn neue Anwendungsfälle in den Produktionsbetrieb überführt werden. Der eigentliche Test für die Reife eines Unternehmens im Umgang mit KI ist, ob es diesen Prozess wiederholen kann, ohne die Grundlage jedes Mal neu aufzubauen.
Teradata beschreibt, was geschieht, wenn diese Grundlage zurückbleibt. Auf ein erfolgreiches Pilotprojekt folgen mehrere weitere Initiativen, doch die sie tragende Umgebung ist nicht bereit, im gleichen Tempo zu skalieren. Die Teams verbringen letztlich mehr Zeit mit der Wartung bestehender Implementierungen, wodurch jede neue schwerer zu unterstützen ist.
Dieses Muster geht über Finanzdienstleistungen hinaus. Teradatas Bericht „Arrested Automation: Warum agentische KI auf Unternehmensebene ins Stocken gerät stützt sich auf eine Studie von Wakefield Research unter 1.000 Technologieverantwortlichen weltweit, die den Übergang von agentischen KI-Pilotprojekten zum Produktionsbetrieb untersucht. Die Ergebnisse unterstreichen, wie wichtig der Aufbau einer operativen Grundlage für den Einsatz von KI im großen Maßstab ist.
Für Finanzinstitute läuft der Fortschritt auf Wiederholbarkeit hinaus. Jedes erfolgreiche Experiment sollte sich leichter in den operativen Betrieb überführen lassen, weil die dafür erforderliche Grundlage bereits vorhanden ist.
Wer genauer untersuchen möchte, was agentische KI auf Unternehmensebene ausbremst, kann Teradatas Bericht „Arrested Automation: Warum agentische KI auf Unternehmensebene ins Stocken gerät herunterladen.