In dieser Rubrik nehmen Autorinnen und Autoren Stellung zu Wirtschafts- und Finanzthemen.

Künstliche Intelligenz (KI) steht auf jeder strategischen Agenda. Kaum eine Geschäftsleitung, kaum ein Verwaltungsrat, der nicht über GenAI, Agenten oder neue Use Cases diskutiert. Doch zwischen Begeisterung und messbarer Wirkung klafft in vielen Unternehmen eine Lücke: Die Initiativen erzeugen Sichtbarkeit, aber nur selten Geschäftswert.

Studien von MIT, BCG oder Deloitte kommen zum gleichen Schluss: Der Engpass liegt selten in der Technologie, sondern in Integration, Steuerung und Verantwortlichkeit. In regulierten Unternehmen wie Schweizer Banken kommt hinzu, dass jede neue Technologie sich an strengen Anforderungen zu Sicherheit, Nachvollziehbarkeit und Compliance messen lassen muss - und zwar nicht nur im Pilot, sondern im Alltag.

Als Leiter Daten & Analytics erlebt man dieses Spannungsfeld täglich: Ein KI-Prototyp ist schnell gezeigt. Aber wenn der Use Case nicht sauber rechtlich und technisch eingebettet ist – und der Betrieb keine klaren Leitplanken vorgibt – , bleibt er ein Strohfeuer.

«Die sichere KI-Umgebung ist die Eintrittskarte – ohne Leitplanken kein tragfähiger Use Case.»

Unser gemeinsamer Blick hinter den KI-Hype-Vorhang hat drei zentrale Hausaufgaben hervorgebracht. Sie helfen Entscheidungsträgerinnen und Entscheidungsträgern in regulierten Unternehmen, in kurzer Zeit sichtbar voranzukommen – ohne Sicherheit und Nachvollziehbarkeit zu opfern: ermöglichen, verankern, skalieren.

Ermöglichen: Sicher starten

Im regulierten Umfeld ist eine sichere KI-Umgebung die Eintrittskarte. Ohne klar abgegrenzten Rahmen, definierte Zugriffswege und Kontrollen gibt es keinen tragfähigen Use Case und auch keine Legitimation, schnell zu experimentieren. Das ist keine Bürokratie, sondern die Voraussetzung, damit Teams überhaupt arbeiten dürfen.

Dazu gehören sichere, geprüfte Verbindungen zu Modellen, die nicht «irgendwohin» funken, sondern nachvollziehbar dokumentiert und protokolliert sind. Genauso wichtig sind klare Datenregeln: eine gelebte Datenklassierung und Vorgaben, welche Daten in welchen Szenarien verarbeitet werden dürfen. Und schliesslich braucht es wiederverwendbare technische Muster – etwa Retrieval-Augmented Generation (RAG) für Recherche oder Extraktion - und einfache Checks: am besten einen standardisierten Testfallsatz, der zeigt, ob die Ergebnisse stabil bleiben.

Der Punkt ist nicht, alles von Anfang an perfekt zu machen. Entscheidend ist ein definierter Startpfad: ein Setup, in dem ein Team am Montag eine Idee haben kann und kurz darauf in einem sicheren Muster läuft – ohne Freigabemarathon. Eine solche Zielarchitektur lässt sich in wenigen Wochen aufbauen. Sie schafft den Rahmen, um die Time-to-First-Use-Case auf höchstens 90 Tage zu bringen.

Verankern: Betriebsfest machen

Viele Banken bleiben im Pilotmodus hängen, weil der Übergang in den Betrieb zu spät oder gar nicht mitgedacht wird. Pilot heisst: «funktioniert lokal, in einer Nische». Produktion heisst: skalierbar, belastbar, sicher.

Dafür braucht es Betriebsvorgaben für Entwicklung, Test, Deployment und Monitoring und Nachweise, die man bei Bedarf vorlegen kann. Der Perspektivwechsel lautet: KI wird zur kritischen Infrastruktur. Nicht die schönste Demo zählt, sondern ein stabiler, nachvollziehbarer Betrieb.

Konkret bedeutet das: Es gibt definierte Qualitäts- und Freigabeschritte, bevor etwas in den Bankbetrieb geht. Monitoring – inklusive Drift- und Robustheitsmessungen – ist kein optionales Add-on, sondern bei entsprechenden Risiken ein Standard. Für Audit und Kontrollfunktionen steht eine schlankes «Evidence Kit» bereit, das zeigt, wie Risiken adressiert und Ergebnisse überwacht werden. Und die unternehmerische Aufsicht über Risiken und Verantwortung ist klar geregelt –, so viel wie nötig, so wenig wie möglich.

«KI wird zur kritischen Infrastruktur: Freigabeschritte, Monitoring und ein Evidence Kit machen Wirkung prüfbar.»

Ja, das klingt nach «mehr Prozess». In der Praxis ist es genau der Hebel, der Vertrauen schafft – intern wie extern – und der den Sprung vom Pilot zur produktiven Nutzung überhaupt erst ermöglicht.

Skalieren: Wirkung erzielen

Der häufigste Irrtum in KI-Programmen: Aktivität wird mit Wirkung verwechselt. «10’000 Prompts» sind Aktivität. Wirkung entsteht erst dann, wenn eine Business-Ownerin oder ein Business-Owner konkrete Ergebniskennzahlen verantwortet – und sich diese Kennzahlen messbar verbessern.

«Wirkung zählt, nicht Aktivität: Skalieren nur, was belegbar Geschäftswert schafft - alles andere wird gestoppt.»

In der Praxis einer Schweizer Bank heisst das zum Beispiel: Kundengespräche und die Bearbeitung von Compliance-Fällen werden objektiv schneller, der Anteil an Inbound-Calls sinkt dank KI-gestützter Services, und die Straight-Through-Processing (STP)-Quote steigt, weil mehr Transaktionen ohne manuelle Eingriffe verarbeitet werden können.

Damit das nicht zur Wunschliste verkommt, braucht es Disziplin entlang zweier Hebel:

Portfolio-Fokus statt Use-Case-Feuerwerk: Statt unzählige Ideen parallel zu starten, braucht es ein kleines, priorisiertes Portfolio mit klaren Business-Ownern und Ergebniszielen; am besten entlang einer Zeitachse quasi als Produkt-Roadmap. Alle paar Wochen steht eine ehrliche Entscheidung an: skalieren oder stoppen. Wer das konsequent durchhält, verhindert, dass Ressourcen in Projekten gebunden werden, die zwar spannend aussehen, aber keinen Beitrag zum Ergebnis liefern.

Daten-Handwerk statt Hokuspokus: Gerade bei vermeintlich «einfachen» Fällen – etwa wenn Dokumente im Kreditprozess automatisch ausgelesen werden sollen – entscheidet die Datenqualität über Erfolg oder Frust. Ohne klare Datenverantwortliche, Service Levels für Datenqualität und stabile Identifikatoren bleiben am Ende nur hübsche Demos – aber keine Reife. Wenn dieses Fundament konsequent gelegt ist, steigt die STP-Quote.

Was Führungskräfte jetzt tun können

Wer heute sagt: «Wir sehen noch keine Wirkung», sollte nicht reflexartig noch mehr Use Cases starten. Sinnvoller ist ein kurzer Stopp und eine ehrliche Standortbestimmung entlang weniger Fragen:

• Fundament: Gibt es eine definierte Basis für sicheren Betrieb - Anbindungen, Logging, Datenpfade, Datensicherheit «at rest» und «in motion»?
• Produktionstauglichkeit: Welche Qualitäts- und Freigabeschritte, Messgrössen und Aufsichtsmechanismen sind nötig, damit der Übergang in den Betrieb gelingt?
• Portfolio & Geschäftswert: Welche Use Cases haben klare Ergebnisziele und einen namentlich benannten Business-Owner?

Sind diese Punkte geklärt, wird dort angesetzt: ermöglichen, verankern, skalieren - mit kurzen Validierungsschleifen. Sauber geführte Use Cases mit belegter Wirkung schlagen lose Ideen. Wenn die ersten Zahlen stimmen, wächst das Vertrauen von allein und dann darf man mutiger werden, auf Basis dessen, was tatsächlich trägt.

Norman Stürtz leitet Daten & Analytics bei der St.Galler Kantonalbank. Zuvor war er unter anderem Divisional CDO bei der Credit Suisse (Schweiz) AG. Er ist Gründer des ersten CDO-Roundtables in der Schweiz.

René-Michel Jost ist Transformation Leader. Er engagiert sich für wirkungsvolle KI-Skalierung - auch als Core Member der MIT-gestützten Business Community Gen AI Global.

• Lesen Sie hier alle bisherigen Texte unserer Gastautoren.