McKinsey „AI Bank of the Future“

herbertwagger
vor 4 Stunden
9 Min. Lesezeit

Die McKinsey-Architektur „AI Bank of the Future“ beschreibt ein vierteiliges Modell, wie Banken Künstliche Intelligenz (KI) ganzheitlich nutzen können. Es umfasst die Ebenen Engagement(Kundeninteraktion), AI-powered Decision Making (KI-gestützte Entscheidungsfindung), Core Technology & Data (Kerntechnologie und Dateninfrastruktur) sowie das Operating Model (Betriebsmodell). Diese Schichten bauen aufeinander auf und sind interdependent – Schwächen in einer Ebene können den Gesamterfolg gefährden. Im Folgenden werden die einzelnen Architekturebenen erläutert und ihre Bedeutung für den Bankenmarkt im DACH-Raum – insbesondere für Retailbanken, Sparkassen und Genossenschaftsbanken in Österreich – bewertet.

Architekturebenen des „AI Bank of the Future“ und ihre Bedeutung

Engagement-Layer (Kundeninteraktion & Kanäle)

Die Engagement-Ebene bildet die äußerste Schicht und umfasst alle Kundenkontaktpunkte – von Filiale über Web und Mobile bis hin zu Drittplattformen. McKinsey spricht von „reimagined customer engagement“, also neu gedachte Kundeninteraktion. Kunden erwarten heute, dass ihre Bank sie kontextbezogen und nahtlos in ihrem Alltag begleitet, unabhängig vom Kanal. Bankdienstleistungen sollen zunehmend in Endnutzer-Journeys eingebettet sein, teils sogar “invisible banking”, d.h. unsichtbar im Hintergrund ablaufen. Beispielsweise beginnen viele Finanzprozesse nicht mehr auf den Bankseiten selbst, sondern in Ökosystemen (z.B. im E-Commerce, in Immobilienplattformen oder Messenger-Apps).

Für den DACH-Markt ist diese Ebene entscheidend, da Kundenerwartungen auch hier steigen: Laut Capgemini sind nur 26 % der Kunden mit ihrem aktuellen Bankerlebnis zufrieden; Banken sollen vom rein transaktionalen hin zu empathischem, KI-gestütztem Banking wechseln. Zudem nutzen 73 % der Retailkunden mehr als eine Bank, wobei Personalisierung und Vertrauen Hauptgründe für Kundentreue sind. Retailbanken (große Privatbanken) haben in der Regel früh in digitale Kanäle investiert (leistungsfähige Mobile-Banking-Apps, Online-Banking mit personalisierten Features), um dieses Kundenerlebnis zu verbessern. Sparkassen und Genossenschaftsbanken in Österreich verfügen traditionell über dichte Filialnetze und enge lokale Kundenbeziehungen, mussten jedoch in den letzten Jahren ihre digitalen Angebote ausbauen (z.B. führte die Erste Group mit „George“ eine moderne Online-Banking-Plattform ein). Die Engagement-Schicht ist für sie wichtig, um junge und digitalaffine Kunden nicht an Neo-Banken oder BigTech-Plattformen zu verlieren. Insgesamt entsteht Wettbewerbsdruck, mit omnichannel-Angeboten und intuitiver User Experience zu punkten – insbesondere da KundInnen im DACH-Raum hohe Ansprüche an Sicherheit und Komfort haben. Banken, die hier mit KI personalisierte Empfehlungen oder Chatbots einsetzen, können sich positiv differenzieren. Die Herausforderung liegt darin, alle Touchpoints konsistent zu verknüpfen und auch über Drittplattformen präsent zu sein (z.B. Banking-Services in Zahlungsapps oder Messengern) – ein Gebiet, in dem europäische Banken noch zurückhaltender sind als internationale Vorreiter.

AI-powered Decision Making (KI-gestützte Entscheidungsfindung)

KI-Entscheidungsschicht bedeutet, KI und Advanced Analytics in die Kernentscheidungen und Geschäftsprozesse der Bank zu integrieren. Laut McKinsey sollen so personalisierte Entscheidungen und Aktionen in (nahezu) Echtzeit für Millionen Kunden und tausende Mitarbeitende ermöglicht werden. KI kann menschliche Entscheidungsfindung ersetzen oder unterstützen, um bessere Ergebnisse zu erzielen – etwa präzisere und schnellere Entscheidungen, individuell zugeschnittene Angebote, Handlungsempfehlungen für Mitarbeiter und stärkeres Risk-Management (z.B. frühzeitige Erkennung von Kreditausfällen oder Betrugsversuchen). Beispiele sind Next-Best-Action-Algorithmen im Vertrieb, automatisierte Kreditwürdigkeitsprüfungen, Betrugsdetektion in Echtzeit oder personalisierte Produktempfehlungen im Online-Banking. Wichtig ist ein skalierter Ansatz: Statt nur isolierte Use Cases zu bauen, sollten Banken einen unternehmensweiten KI-Fahrplan entwickeln, um Dutzende von Modellen über alle Geschäftsbereiche hinweg produktiv einzusetzen. In einem einzigen Bereich (z.B. Konsumkredite) können über 20 Entscheidungen entlang des Lebenszyklus automatisiert werden. Dazu braucht es allerdings auch Erklärbarkeit (Stichwort Explainable AI) und angepasste Prozesse, damit Mitarbeiter und Kunden KI-Entscheidungen akzeptieren.

Im deutschsprachigen Bankenmarkt nutzen viele Institute KI bereits punktuell, vor allem im Risikomanagement (Kredit-Scoring mit Machine Learning ist quasi Standard). Retailbanken – insbesondere große Privatbanken – nehmen hier eine Vorreiterrolle ein und versprechen sich klare Wettbewerbsvorteile durch effizientere Prozesse und bessere Entscheidungen. Zwei Drittel der privaten Banken sehen bereits konkrete Vorteile durch KI, während nur 53 % der Sparkassen und 47 % der Genossenschaftsbanken ähnlich optimistisch sind. Sparkassen und Genossenschaftsbanken stehen hier also unter Druck aufzuholen. Viele von ihnen befinden sich noch in Pilotprojekten oder frühen Phasen für KI-Anwendungen, etwa in der Kreditentscheidung, Betrugserkennung oder im Kundenservice, anstatt schon flächendeckend produktive KI-Systeme zu haben. Allerdings erkennen gerade die Genossenschaftsbanken das Risiko: 68 % befürchten, ohne KI-Initiativen den Anschluss zu verlieren. Die Bedeutung dieser Schicht ist also hoch – KI-gesteuerte Entscheidungen können zu schnelleren Kreditzusagen, passgenauer Kundenansprache und Kostenreduktion führen, was in allen Institutsgruppen gefragt ist. Retailbanken verfügen oft über mehr Ressourcen, um KI-Teams aufzubauen und Use Cases zügig zu implementieren (z.B. ML-Modelle für Cross-Selling oder dynamische Preisgestaltung). Sparkassen profitieren davon, wenn ihr Zentralinstitut oder IT-Dienstleister (z.B. für die österreichischen Sparkassen die Zusammenarbeit mit der Erste Group) KI-Lösungen zentral entwickelt und ausrollt. Genossenschaftsbanken (etwa die Raiffeisen-Banken) agieren häufig föderaler – hier kann der Verband koordinieren, aber es besteht teils Nachholbedarf an Know-how und Dateninfrastruktur in kleineren Häusern. Insgesamt ist KI-Decisioning aber für alle Bankentypen ein Muss, um personalisierte Kundenerlebnisse und effiziente Prozesse zu realisieren. Neben der Technik ist der kulturelle Wandelwichtig: Entscheidungen, die früher nach Erfahrungswerten in Gremien getroffen wurden, stützen sich künftig auf datengestützte Modelle – das erfordert Vertrauen in die KI und Bereitschaft, traditionelle Entscheidungswege zu verändern.

Core Technology & Data (Kerntechnologie und Dateninfrastruktur)

Die Kerntechnologie- und Daten-Ebene bildet das technische Fundament der „AI Bank“. McKinsey betont, dass der flächendeckende KI-Einsatz eine skalierbare, resiliente und flexible IT-Architekturerfordert. Ein „schwaches“ Core-Tech-Backbone, dem Investitionen in Modernisierung fehlen, kann die Wirksamkeit der Decisioning- und Engagement-Layer dramatisch reduzieren. Wesentliche Elemente dieser Ebene sind u.a.:

Modernisierungsstrategie und Architektur: Eine klare Tech-Strategie, die eng mit der Geschäftsstrategie verknüpft ist, inkl. Entscheidungen, was intern entwickelt wird und wo Partnerschaften oder Zukauf sinnvoll sind. Zielbild ist eine Architektur, die die Vision „AI-first“ unterstützt und sauber definiert, wie alle Komponenten mit den oberen KI-Schichten zusammenspielen.
Datenmanagement und -infrastruktur: Daten gelten als Rohstoff der KI. Die Bank braucht „Data Liquidity“, also die Fähigkeit, Daten schnell zu zugreifen, zu integrieren und auszuwerten, als Basis für alle KI-Insights. Dazu werden oft zentrale Datenplattformen/Data Lakes aufgebaut, die interne und externe Datenquellen nahtlos einspeisen (Stichwort Open Banking APIs, PSD2/PSD3) und die Daten für verschiedene Zwecke aufbereiten (Analytics, Reporting etc.). Daten-Silos müssen aufgebrochen werden, sodass verschiedene Abteilungen auf denselben Datenpool zugreifen können. Ebenso gehören Echtzeit-Datenpipelines dazu, um z.B. Klickströme oder Transaktionen sofort für KI-Modelle nutzbar zu machen. Gleichzeitig sind Kontrollen für Datensicherheit, Privacy und Compliance zwingend – also Berechtigungsmanagement, Monitoring der Datennutzung und Einhaltung regulatorischer Vorgaben.
Modulare Kernbank-Systeme und Schnittstellen: Altsysteme (Legacy Core Banking) werden idealerweise schrittweise modernisiert oder „gehollowed“, z.B. durch API-Layer, die Legacy-Funktionalitäten erschließen, oder durch schrittweisen Ersatz von Kernmodulen. Eine moderne API-Architektur erlaubt es, neue digitale Services schneller anzubinden und Daten zwischen Core und den Frontends/AI-Systemen auszutauschen. Viele Banken setzen auf hybride Cloud-Infrastrukturen, DevOps/DevSecOps-Ansätze und automatisierte Bereitstellung (Infrastructure as Code), um skalierbare und stabile Umgebungen für KI zu schaffen. Cybersecurity und robuste interne Kontrollen runden diese Schicht ab, da die Ausweitung von Datenzugriff und KI auch höhere Anforderungen an Sicherheit mit sich bringt.

Im DACH-Raum ist diese Ebene oft der Engpass der Transformation. Viele etablierte Banken – ob groß oder klein – arbeiten noch mit jahrzehntealten Kernbankensystemen (z.B. Host-/Mainframe-Systeme), die nicht in Echtzeit arbeiten und nur mit Aufwand API-fähig gemacht werden können. Retail-Großbanken haben teils milliardenschwere Programme gestartet, um Kernsysteme zu modernisieren oder auf Standard-Plattformen umzustellen. Ein Beispiel in Österreich ist die Erste Group, die konzernweit IT-Plattformen harmonisiert hat; oder die BAWAG, die früh auf einen IT-Outsourcing-Ansatz setzte. Sparkassen und Genossenschaftsbanken nutzen häufig gemeinsame Rechenzentren bzw. zentrale IT-Dienstleister (im österreichischen Kontext z.B. der Rechenzentrumsverbund im Sparkassensektor oder das Raiffeisen-Rechenzentrum). Das hat Vorteile (Skaleneffekte, einheitliche Standards), führt aber auch dazu, dass Innovationszyklen von der Geschwindigkeit dieser zentralen IT abhängen. Die Dateninfrastruktur wird vielerorts ausgebaut: Immer mehr Banken investieren in Data Warehouses, Big-Data-Lakes und BI-Plattformen, um Kundendaten besser auszuwerten. Allerdings sind Datenqualität und -verfügbarkeit oft noch Baustellen – in vielen Häusern klagen KI-Teams über unzureichende Datenaufbereitung oder fragmentierte Datenquellen. Die Bedeutung dieser Ebene kann nicht hoch genug eingeschätzt werden: Ohne belastbare IT- und Datengrundlagen bleiben selbst die besten KI-Pilotprojekte Spielereien. Für Sparkassen und Genossenschaftsbanken in AT, die oft kleinere IT-Budgets haben, ist die Zusammenarbeit im Verbund essenziell, um sich Modernisierung leisten zu können. Cloud-Adoptionverläuft in der Region eher vorsichtig (teils aufgrund regulatorischer Unsicherheit bzgl. Auslagerung in US-Clouds), doch zunehmend werden europäische Cloud-Angebote genutzt. Insgesamt gilt: Wer seine Kerntechnologie jetzt nicht modernisiert, riskiert mittelfristig Wettbewerbsnachteile, da starre Systeme Innovation ausbremsen und die Nutzung von KI-Technologien erschweren.

Operating Model (Betriebsmodell & Organisation)

Die vierte Ebene betrifft die Organisation, Kultur und Fähigkeiten der Bank – also wie das Institut strukturiert und geführt wird, um in der KI-Ära erfolgreich zu sein. McKinsey argumentiert, dass zur Nutzung der neuen technologischen Möglichkeiten ein angepasstes Betriebsmodell nötig ist, das Talente, Struktur und Arbeitsweisen zusammenbringt. Nur so lassen sich die oben genannten Schichten synchronisieren und kundenorientiert zum Einsatz bringen. Klassische Bankenorganisationen mit Silos (getrennte Produktsparten, starre Hierarchien) stoßen an Grenzen: Sie machen Entscheidungen langsam, verhindern bereichsübergreifende Daten- und Tool-Nutzung und erschweren kundenübergreifende Innovation. Die KI-Bank der Zukunft braucht hingegen eine flache, agile Struktur – häufig wird ein Plattform- oder Produktmodell empfohlen. Dabei organisieren sich Teams cross-funktional (IT, Fachbereich, Data Science gemeinsam) um Kundenbedürfnisse oder Produkte herum statt in Funktionssilos. „Zwei in der Box“-Modelle, bei denen ein Business-Verantwortlicher und ein IT-Verantwortlicher gemeinsam eine Einheit führen, sind verbreitet. Ergänzend müssen die Mitarbeiterfähigkeiten entwickelt werden: Data Scientists, Machine-Learning-Ingenieure, aber auch Schulungen für bestehende Mitarbeiter, um KI-Tools effektiv zu nutzen. Eine innovationsfreundliche Kultur ist entscheidend – Fehlerkultur, Experimentierfreude und Kundenfokus sollten gefördert werden, während veraltete Steuerungskennzahlen (z.B. reine Produktvertriebsziele) angepasst werden zugunsten von Kundenerlebnis- und Wertkennzahlen.

Im DACH-Raum befinden sich viele Banken diesbezüglich mitten im Wandel. Große Retailbanken (z.B. Deutsche Bank, Erste Group) haben in den letzten Jahren agile Transformationen angestoßen: Teams wurden neu zugeschnitten, es gibt Digital Labs oder Innovation Hubs, in denen neue Arbeitsmethoden praktiziert werden. Dennoch sind traditionelle Bankenstrukturen mit komplexen Gremien und viel Regulatorik schwerfällig – Entscheidungen dauern oft lange und Projekte verzögern sich regelmäßig aufgrund von Priorisierungskonflikten und begrenzten Ressourcen. Sparkassen und Genossenschaftsbanken sind oft dezentral organisiert (regionale Institute mit eigenem Vorstand), was Veränderungen heterogen macht: Einige größere oder innovativere Häuser experimentieren bereits mit agilen Projekten oder KI-Teams, andere sind konservativer und warten auf Vorgaben vom Verband. Zudem haben kleinere Institute oft Schwierigkeiten, hochspezialisiertes KI-Personal zu rekrutieren – hier können gemeinsame Einheiten (z.B. ein zentrales KI-Zentrum eines Bankensektors) Abhilfe schaffen. Generell zeigen Studien, dass menschliche Faktoren entscheidend sind: Rund 30 % der KI-Projekte scheitern vorzeitig, häufig wegen fehlendem Know-how, mangelhafter Datenqualität oder mangelnder Management-Unterstützung. Das unterstreicht, wie wichtig Weiterbildung, Change Management und Commitment von oben sind. Für österreichische Retailbanken, Sparkassen und Genossenschaftsbanken bedeutet das: Sie müssen ihre Mitarbeiter für die KI-Reise mitnehmen, Verantwortlichkeiten klären (wer „owned“ KI-Themen?) und gegebenenfalls neue Partnerschaften eingehen, um externes Wissen reinzuholen. Die Führungsphilosophie muss sich Richtung „Kunde zuerst, Technologie als Enabler“ bewegen, wie es moderne Tech-Unternehmen vormachen. Einige österreichische Banken haben bereits eine solche Sichtweise verankert – so betonte ein hiesiger Bankvorstand jüngst, man steuere Kapazitäten nur noch nach Kundenbedürfnis und lasse dem Kunden die Wahl des Kanals, anstatt starre interne Verkaufsziele vorzugeben. Dieses Umdenken wird durch KI-Tools (wie z.B. bessere Auswertung von Kundenfeedback, Assistenzsysteme für Berater) weiter an Bedeutung gewinnen.

Vergleich der Schichten nach Bankentyp: Die folgende Tabelle fasst zusammen, wie die vier KI-Bank-Schichten für die unterschiedlichen Bankengruppen in Österreich zu bewerten sind:

Architekturebene	Retailbanken (große Privatbanken)	Sparkassen (regional, teils Erste Group)	Genossenschaftsbanken(z.B. Raiffeisen)
Kunden-Engagement	Sehr hoher Stellenwert: Frühzeitige Investitionen in digitale Kanäle (Mobile Apps, E-Banking) für bessere Customer Experience. Innovative Ansätze wie personalisierte Angebote und Chatbots bereits im Einsatz.	Wichtige Kombination aus Filiale und digital: Ausbau von Online-Banking (z.B. „George“) und mobilen Services, um jüngere Kunden zu erreichen. Traditionell stark in persönlicher Betreuung, aber digitale Lücke wird geschlossen.	Fokus noch auf persönlicher Beratung vor Ort; digitale Angebote werden ausgebaut, hinken aber den Großbanken etwas nach. Kundenportal und Mobile-Banking vorhanden, jedoch oft weniger Feature-Tiefe; Bedarf, Anschluss an moderne UX zu finden.
KI-Entscheidungsschicht	Führend in KI-Nutzung: Setzen KI in Kreditvergabe, Fraud Detection und Marketing ein; mehrere Use Cases bereits produktiv (z.B. automatisierte Scoring-Modelle, Next-Best-Offer-Systeme). Profitieren von größeren Data-Science-Teams und Budgets.	Aufholbedarf: Erste KI-Pilotprojekte laufen (etwa im Kreditantrag, Chatbots im Kundenservice). Nutzen teils Verbundlösungen, um KI zu implementieren. Erkenntnis über Nutzen ist da, aber flächendeckender Einsatz noch in Vorbereitung.	Noch zögerlich: Wenige KI-Anwendungen aktiv (meist in Risiko/Rating); Ressourcenknappheit und geringe Datenmengen erschweren KI-Projekte. Hohe Bereitschaft zur Kooperation innerhalb des Verbunds, um KI-Tools gemeinsam zu entwickeln.
Kerntechnologie & Daten	In Transformation: Moderne Dateninfrastruktur im Aufbau (Data Lakes, Realtime-Analytics); Kernbanksystem teils modernisiert oder Ablösung in Planung. Größere Budgets erlauben Cloud-Pilotierungen trotz regulatorischer Hürden. Legacy-IT noch vorhanden, aber aktiver Abbau.	Einheitliche Kernsysteme über Verband: Nutzen zentrale IT (z.B. gemeinsame Kernbank-Software), was Stabilität gibt. Modernisierungstempo moderat, da Abstimmung im Verbund nötig. Dateninitiative (z.B. gemeinsamer Data Lake) oft durch Zentralinstitut getrieben.	Abhängig vom Verbund: Viele kleinere Institute mit gemeinsamen alten Kernbanklösungen; eigene Modernisierungsinitiativen selten. Daten oft dezentral verteilt; Verbund arbeitet an einheitlichen Datenplattformen. Geringere Investitionskraft verzögert Cloud-/IT-Innovationen, außer gefördert durch Zentralorganisation.
Betriebs- / Organisationsmodell	Wandel zu agil: Stellen auf Produkt-/Plattform-Organisation um, mit agilen Teams (IT + Fachbereich). Kulturell Wechsel zu „Tech Company“-Mindset spürbar, aber legacy Strukturen (hierarchisch, Silos) noch nicht vollständig überwunden. Top-Management unterstützt KI-Initiativen verstärkt.	Heterogen: Einige größere Sparkassen treiben agile Projekte und arbeiten in Netzwerken mit FinTechs; andere kleinere Häuser verharren eher im traditionellen Modell. Generell starke regionale Verwurzelung, Entscheidungen oft langsam über Verbandsgremien. Kulturwandel startet, aber noch Uneinheitlich.	Traditionell geprägt: Genossenschaftliche Prinzipien bedeuten viele Entscheidungen im Konsens über Gremien. Innovationskultur entwickelt sich langsam – wenige Leuchttürme versuchen agile Methoden. Der Verbund könnte stärker steuernd eingreifen. Personalentwicklung für Digitalthemen wird erkannt, bleibt aber Herausforderung, v.a. in ländlichen Regionen.

Zusammenfassend: Die McKinsey-Schichten sind alle kritisch, um im KI-Zeitalter wettbewerbsfähig zu bleiben. Retailbanken in Österreich und DACH treiben viele dieser Themen aktiv voran, während Sparkassen und Genossenschaftsbanken vermehrt über gemeinsame Initiativen und Aufholstrategien nachziehen müssen. Letztere verfügen über den Vorteil lokaler Kundennähe und Vertrauensbonus, dürfen aber nicht Gefahr laufen, digital abgehängt zu werden. Insbesondere die AI-Decision-Ebene und die Dateninfrastruktur werden zu entscheidenden Wettbewerbsfaktoren, wie aktuelle Studien zum KI-Einsatz in Banken zeigen. Banken, die personalisierte Echtzeit-Entscheidungen treffen können und gleichzeitig ein exzellentes Kundenerlebnis bieten, werden im Markt der Zukunft die Nase vorn haben.