Branche

Banken und Sparkassen

Sieben Anwendungsfälle aus Kreditprozess, Geldwäscheprävention und Filialvertrieb — und das, was jeder davon in einem beaufsichtigten Institut tatsächlich kostet.

Einordnung

Im Kreditgeschäft entscheidet nicht ein Sachbearbeiter, sondern eine Aufbauorganisation: Der Markt nimmt auf und votiert, die Marktfolge Aktiv prüft, votiert zweitens und führt die Kreditvorlage. Diese Funktionstrennung und das Vier-Augen-Prinzip sind aufsichtlich vorgegeben. Wer hier KI einführt, ändert deshalb in aller Regel keine Entscheidung, sondern eine Zuarbeit — die Dokumentenaufnahme, die Kapitaldienstberechnung, den Sicherheitenspiegel, die Vorbereitung des Votums. Das ist keine Einschränkung des Nutzens, aber es deckelt ihn: gemessen wird eingesparte Zuarbeitszeit, nicht ersetzte Votierung.

Der ökonomische Anlass steht im Betriebsvergleich. Nach den vorläufigen DSGV-Zahlen für 2025 stieg der Verwaltungsaufwand der Sparkassen um 5,6 %, während der Zinsüberschuss stagnierte; die Cost-Income-Ratio vor Bewertung verschlechterte sich von 54,2 auf 56,5 %. Genau diese Schere ist der Grund, warum die Frage nicht mehr lautet, ob KI eingesetzt wird, sondern welcher Fall zuerst. Und sie bestimmt die Sprache des Nutzenversprechens: Ein Effekt, der nicht in CIR-Punkten oder in Basispunkten der Durchschnittsbilanzsumme ausgedrückt ist, wird im Haus nicht als Ergebnis gelesen.

Die Regulatorik sortiert die Liste um, statt sie nur zu bremsen. Die Bewertung der Kreditwürdigkeit natürlicher Personen ist im EU AI Act ausdrücklich als Hochrisiko eingestuft, KI zur Aufdeckung von Finanzbetrug dagegen ausgenommen. Dieselbe Technik ist im AML-Monitoring damit eine Aufwandsklasse günstiger als in der Scorecard. Dazu kommen die Modellanforderungen der MaRisk-Novelle, die GwG-Systemprüfung, DORA und die Auslagerungsanforderungen nach § 25b KWG. Aufwand ist in dieser Branche keine Technikgröße, sondern überwiegend eine Nachweisgröße — und er fällt laufend an, nicht einmalig im Projekt.

Und die Häuser bauen nicht selbst. Sparkassen arbeiten auf OSPlus der Finanz Informatik, Genossenschaftsbanken auf agree21 der Atruvia; der KI-Baustein kommt aus dem Release der Rechenzentrale, die Verantwortung bleibt beim Institut. Der Engpass ist deshalb selten Entwicklung, sondern Auswahl, Anbindung und Enablement — sichtbar am S-KIPilot, der an praktisch jedem Sparkassen-Arbeitsplatz verfügbar ist und trotzdem wenig genutzt wird. Hinzu kommt ein Gefälle zwischen den Säulen: Privatbank, Sparkasse und Genossenschaftsbank starten mit unterschiedlichem Reifegrad, unterschiedlichem Budget und unterschiedlichem Entscheidungsweg.

Begriffe, die in diesem Geschäft selbstverständlich sind:

Marktfolge Aktiv — die vom Markt getrennte Kreditsachbearbeitung
Kreditvorlage, Erstvotum und Zweitvotum, Votierung
Trennung von Markt und Marktfolge, Vier-Augen-Prinzip
Bonität, Scoring, Rating, Scorecard, Ratingklasse
Kapitaldienstfähigkeit, Kapitaldienstberechnung, Cashflow-Analyse
Sicherheitenspiegel, Beleihungswert, Blankoanteil
Intensivbetreuung, Problemkreditbearbeitung, Sanierung und Abwicklung
Forderungsmanagement, Inkasso
KYC, wirtschaftlich Berechtigter, Legitimationsprüfung, Periodic Review
AML, GwG, Verdachtsmeldung, FIU, Alert, Erst- und Zweitprüfung
Szenario, Schwellenwert, Sanktionslisten-Screening / Name Screening
Geldwäschebeauftragter, Compliance-Funktion, Zentrale Stelle
MaRisk — BTO 1.1 (Aufbauorganisation Kreditgeschäft), BTO 1.3 (Früherkennung), AT 4.3.4 (Einsatz von Modellen, geplant)
BAIT, DORA, IKT-Drittparteienrisiko, § 25a und § 25b KWG, Auslagerung
OSPlus und Finanz Informatik (Sparkassen), agree21 und Atruvia (Genossenschaftsbanken) — die beiden Rechenzentralen
S-KIPilot — der KI-Assistent im OSPlus-Arbeitsplatz
Cost-Income-Ratio / Aufwand-Ertrag-Relation
Zinsüberschuss, Provisionsüberschuss, Verwaltungsaufwand, Betriebsergebnis vor Bewertung, Bewertungsergebnis
Vorsorgereserven nach § 340f und § 340g HGB
Durchschnittsbilanzsumme (DBS) — die Bezugsgröße, in der Aufwands- und Ertragspositionen normiert werden
Betriebsvergleich — der DSGV-Benchmark, an dem sich jede Sparkasse misst
Kernkapitalquote und Gesamtkapitalquote gemäß CRR
Meldewesen, Jahresabschlussprüfung nach § 29 KWG, Prüfungsfeststellung, Sonderprüfung nach § 44 KWG
Grundrechte-Folgenabschätzung (Art. 27 AI Act), Hochrisiko-KI-System, Konformitätsbewertung, Anbieter und Betreiber
Modellvalidierung, Override, Erklärbarkeit (XAI), Blackbox-Modell, logistische Regression
Privatbank, Sparkasse, Genossenschaftsbank, Förderbank — drei Säulen mit drei Reifegraden

Anwendungsfälle

Bonitätsbeurteilung, Rating und Scorecard im Antragsprozess

Prozess: Bonitätsbeurteilung natürlicher Personen, Scorecard-Berechnung, Ratingverfahren und maschinelle Kreditentscheidung im Antragsprozess für Privat- und Baufinanzierung — einschließlich des Overrides durch den Sachbearbeiter.
Nutzenhebel: Rating und Scorecard sind bei 44 % der KI-nutzenden Institute im Einsatz, 43 % planen den Einsatz; bei der Kreditgenehmigung sind es 44 % im Einsatz und 48 % in Planung. Erwartet werden vor allem verbesserte Prozesse (55 %) und geringere Kosten (51 %). Der kundenseitig meistgenannte Vorteil ist die schnellere Kreditvergabe: Entscheidung und Auszahlung.
Aufwandstreiber: Genau dieser Fall ist nach dem EU AI Act Hochrisiko — Anhang III Nr. 5 lit. b erfasst die Bewertung der Kreditwürdigkeit natürlicher Personen und die Ermittlung von Kredit-Scores; eine abweichende Einordnung verlangt eine dokumentierte Bewertung. Dazu kommen die Betreiberpflichten samt Grundrechte-Folgenabschätzung nach Art. 27 und eine Konformitätsbewertung im Verfahren der internen Kontrolle; nach dem Digital Omnibus gelten die Anhang-III-Pflichten ab dem 02.12.2027. Flankierend greifen DSGVO Art. 22, AGG §§ 19–20 und die Erwartung der BaFin, bei vergleichbaren Ergebnissen das einfachere Modell — etwa die logistische Regression — der Blackbox vorzuziehen. Höchster Nutzen, teuerste Aufwandsklasse: der Fall, an dem sich eine Bewertungsmatrix von einer Ideenliste unterscheidet.

Beleg: Cofinpro, „KI im Kreditgeschäft“, Online-Befragung April 2025, 109 Abteilungs-, Bereichs- und Projektleiter im Kreditbereich deutscher Finanzdienstleister · Stand: April 2025

Alert-Bearbeitung im AML-Transaktionsmonitoring

Prozess: Erst- und Zweitprüfung der Alerts aus Transaktionsmonitoring und Sanktionslisten-Screening: regelbasierte Szenarien und Schwellenwerte erzeugen Treffer, die manuell geklärt und gegebenenfalls als Verdachtsmeldung nach GwG an die FIU abgesetzt werden.
Nutzenhebel: Deloitte beziffert das Potenzial ML-gestützter Systeme zur Transaktionsanalyse bei gleichwertiger Risikoabdeckung auf Kostenreduktionen von 60 Prozent und mehr. Bemessen wird der Hebel an den manuell zu klärenden Alerts je Vollzeitkraft und an der Werthaltigkeit der Meldungen: Nach dem FIU-Jahresbericht 2025 wurden aus 374.693 eingegangenen Verdachtsmeldungen 67.024 Analyseberichte an die Ermittlungsbehörden übermittelt.
Aufwandstreiber: Das Meldevolumen wächst schneller als die Kapazität. Der FIU-Jahresbericht 2025 zählt 374.693 Verdachtsmeldungen, 41 % mehr als 2024; 319.857 davon kamen von Kreditinstituten (+49 %), der Anteil der Neobanken stieg von 13 auf 29 %. Dazu die GwG-Systemprüfung: Datenverarbeitungssysteme zur Transaktionsüberwachung und zum Screening sind jährlich durch einen unabhängigen Prüfer zu prüfen — jede Änderung am Regelwerk erzeugt damit unmittelbar Prüfungsaufwand. Regulatorisch ist das trotzdem der günstige Fall: Der EU AI Act nimmt KI zur Aufdeckung von Finanzbetrug ausdrücklich von der Hochrisiko-Einstufung nach Anhang III Nr. 5 lit. b aus.

Beleg: Deloitte, „Künstliche Intelligenz in der Geldwäschebekämpfung“ · Stand: 06.12.2024

Dokumentenanalyse in der Kreditakte (Marktfolge Aktiv)

Prozess: Eingangsverarbeitung der Kreditunterlagen: Splitting und Klassifikation eines gemischten Stapels aus PDF, Scan und handschriftlichen Aufzeichnungen, Extraktion in die Kreditakte, Vorbereitung von Kreditvorlage und Votum in der Marktfolge Aktiv.
Nutzenhebel: Die Dokumentenanalyse ist der Anwendungsfall mit dem größten wahrgenommenen Potenzial im Kreditbereich — 44 % der Nennungen, vor Kreditgenehmigung (41 %), Antragstellung (39 %), Rating und Scorecard (29 %) und Forderungsmanagement (26 %). Im Einsatz ist sie bei 48 % der Institute, bei weiteren 44 % in Planung. Der Hebel steckt in der Zerlegung von Sammeldokumenten: Die Dokumententrennung läuft formatunabhängig und in Sekunden.
Aufwandstreiber: Heterogene, teils handschriftliche Unterlagen und Medienbrüche zwischen Markt und Marktfolge. Funktionstrennung und Vier-Augen-Prinzip lassen sich nicht wegautomatisieren — die KI darf zuarbeiten, nicht votieren; der Nutzen ist damit auf die Zuarbeitszeit gedeckelt. Das geplante MaRisk-Modul AT 4.3.4 verlangt zusätzlich dokumentierte Override-Regelungen. Und die Datenlage bremst: 39 % der abgebrochenen KI-Projekte im Kreditgeschäft scheiterten an einer schlechten Datengrundlage.

Beleg: IT-Finanzmagazin, „Studie: KI frisst Kreditprozess“ (Auswertung der Cofinpro-Kreditstudie, Potenzialrangfolge der Use Cases) · Stand: 20.05.2025

KYC-Onboarding und Periodic Review im Firmenkundengeschäft

Prozess: Legitimationsprüfung, Ermittlung des wirtschaftlich Berechtigten, Risikoklassifizierung des Kunden und die wiederkehrende Aktualisierung der KYC-Akte im Firmenkundengeschäft.
Nutzenhebel: Ein KYC-Prozess für Gewerbe- und Firmenkunden kostet in Deutschland im Schnitt 2.627 Euro, rund 10 % über dem globalen Durchschnitt. Mehr als ein Viertel der deutschen Institute braucht 121 bis 150 Tage für die Prüfung eines Firmenkunden mittleren Risikos, weitere 27 % sogar 151 bis 180 Tage — global sind es 95 Tage. Pro Institut arbeiten im Schnitt rund 1.800 Vollzeitkräfte an KYC-Prozessen. 43 % haben bereits Kunden durch ineffizientes Onboarding verloren: Der Nutzen hängt also auch an vermiedenen Abbrüchen, nicht nur an Personalkosten.
Aufwandstreiber: 22 % der deutschen Banken geben 50 bis 60 % ihres gesamten Compliance-Budgets allein für KYC aus — der weltweit höchste Anteil. Der Aufwand ist über die GwG-Sorgfaltspflichten regulatorisch erzwungen und nicht verhandelbar; heben lässt er sich nur über Durchlaufzeit und Bearbeitungstiefe. Einordnung der Zahlen: Sie stammen von einem Anbieter von KYC-Software und aus einer Erhebung von Herbst 2023 — als Größenordnung tragfähig, als Punktwert mit Vorbehalt.

Beleg: IT-Finanzmagazin zum Fenergo „KYC Trend Report“, 204 Führungskräfte in Deutschland, Erhebung September/Oktober 2023 · Stand: Erhebung Herbst 2023, abgerufen 28.08.2026

Kapitaldienstfähigkeit und Cashflow-Analyse aus Umsatzdaten

Prozess: Auswertung von Kontoumsätzen und Jahresabschlussdaten für Kapitaldienstberechnung und Cashflow-Analyse als Grundlage der Kreditentscheidung im gewerblichen Geschäft und in der Baufinanzierung.
Nutzenhebel: Die Umsatzdatenanalyse ist mit 54 % der am weitesten verbreitete KI-Anwendungsfall im Kreditgeschäft überhaupt; Kapitaldienstberechnung und Cashflow-Analyse liegen bei 40 % im Einsatz und 49 % in Planung — einer der höchsten Planungswerte der gesamten Wertschöpfungskette. Bemessen wird der Nutzen an der eingesparten Analystenzeit je Engagement und an der Zahl der Engagements, die ohne Nachforderung von Unterlagen entschieden werden.
Aufwandstreiber: Die Daten liegen verteilt im Kernbanksystem und in Fremdsystemen; die Auswertung von Kontoumsätzen berührt Datenschutz und Zweckbindung. Fehlende und schlecht aufbereitete Daten sind das größte Hindernis für KI-Projekte im Kreditgeschäft überhaupt: 30 % der begonnenen Projekte wurden vorzeitig abgebrochen — bei Privatbanken 47 %, bei Sparkassen und Genossenschaftsbanken je 32 %. Der Aufwand entsteht damit vor dem Modell: beim Zusammenführen der Bestände und beim Nachweis der Zweckbindung.

Beleg: Cofinpro, „KI im Kreditgeschäft“, Online-Befragung April 2025, 109 Abteilungs-, Bereichs- und Projektleiter im Kreditbereich deutscher Finanzdienstleister · Stand: April 2025

Beraterassistenz im Filialvertrieb (S-KIPilot im OSPlus-Arbeitsplatz)

Prozess: Vorbereitung des Beratungsgesprächs am OSPlus-Arbeitsplatz: Auswertung der Kundendaten, Zusammenfassung relevanter Dokumente, Vorbereitung des Wertpapiergesprächs, Vorschlag personalisierter Produktkombinationen.
Nutzenhebel: Technisch ist dieser Fall gelöst. Der S-KIPilot ist seit Sommer 2024 produktiv, läuft an praktisch allen Sparkassen-Arbeitsplätzen und erreicht rund 150.000 Nutzende; die Finanz Informatik erwartete bis Ende 2025 rund 200.000 profitierende Mitarbeitende. Der Nutzen hängt damit nicht mehr an der Technik, sondern an der Nutzungsintensität je Beraterarbeitsplatz — eine Größe, die sich messen und steigern lässt.
Aufwandstreiber: Hier liegt der Bruch. Eine Auswertung des Beratungshauses sotica, gestützt auf das FI-Magazin 1/2026, beschreibt das Werkzeug nach über 600 produktiven Tagen als kaum genutzt; genannt werden ein fehlender strategischer Rahmen, nicht definierte Anwendungsfälle, fehlende Prompt-Kompetenz, ein fehlendes Mandat der Geschäftsleitung und unausgesprochene Jobsorgen. Eine offizielle Nutzungsstatistik der Finanz Informatik liegt nicht vor, die Nutzungslücke ist also nur mittelbar belegt. Dazu kommt die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG, weil das System objektiv zur Verhaltens- und Leistungskontrolle geeignet ist. Der Aufwand ist Change- und Enablement-Aufwand, nicht IT-Aufwand — eine Dimension, die eine reine Technikliste gar nicht abbildet.

Beleg: Der Bank Blog, Andreas Schelling (Finanz Informatik), „Wie KI das Sparkassen-Banking 2026 neu definiert“ · Stand: 10.02.2026

Laufende Kreditüberwachung und Risikofrüherkennung im Portfolio

Prozess: Laufende Kreditprüfung und Portfoliomanagement: Früherkennung von Bonitätsverschlechterungen, Überleitung in Intensivbetreuung und Problemkreditbearbeitung, Unterlegung des Risiko-Controllings.
Nutzenhebel: Bemessen wird der Nutzen am Bewertungsergebnis Kreditgeschäft. Bei den Sparkassen lag es 2025 nach den vorläufigen Zahlen des DSGV-Betriebsvergleichs bei rund minus 2,6 Mrd. Euro oder minus 0,17 % der Durchschnittsbilanzsumme und damit 4,9 % über dem Vorjahr — jeder früher erkannte Problemkredit wirkt direkt auf diese Größe. Verankert sind die Fälle bereits: Portfoliomanagement und laufende Kreditprüfung stehen laut Cofinpro bei 46 % im Einsatz und 40 % in Planung, das Risiko-Controlling bei 51 % und 40 %.
Aufwandstreiber: Früherkennungsmodelle sind aufsichtlich Modelle im Sinne des geplanten MaRisk-Moduls AT 4.3.4: Eignungsbeurteilung vor dem Einsatz und regelmäßig danach, gesicherte Datenqualität aus internen und externen Quellen, dokumentierte Override-Regelungen, regelmäßige Validierung auf Genauigkeit, Stabilität und Konsistenz sowie nachweisbare Wirkungszusammenhänge zwischen Eingangs- und Ausgangsgrößen. Diese Validierungs- und Dokumentationslast wiederholt sich jährlich und läuft damit als Betriebskosten mit, solange das Modell im Einsatz ist.

Beleg: DSGV, „Rentabilität der Sparkassen 2025“, Bilanzpressekonferenz, vorläufige Betriebsvergleichszahlen (Stand Februar 2026) · Stand: 17.03.2026

Hürden

Kreditscoring ist Hochrisiko, Betrugserkennung nicht

Der EU AI Act stuft in Anhang III Nr. 5 lit. b KI zur Bewertung der Kreditwürdigkeit natürlicher Personen und zur Ermittlung von Kredit-Scores als Hochrisiko ein; das ist der Regelfall, eine abweichende Einordnung erfordert eine dokumentierte Bewertung. Daran hängen Betreiberpflichten samt Grundrechte-Folgenabschätzung nach Art. 27 — kombinierbar mit der DSGVO-Folgenabschätzung — und eine Konformitätsbewertung im Verfahren der internen Kontrolle, ohne notifizierte Stelle. Nach dem Digital Omnibus gelten die Anhang-III-Pflichten ab dem 02.12.2027, für eingebettete KI ab dem 02.08.2028; Transparenzpflichten greifen ab dem 02.08.2026, die KI-Kompetenzpflicht bereits seit Februar 2025. KI zur Aufdeckung von Finanzbetrug ist ausdrücklich ausgenommen: Dieselbe Technik ist im AML-Kontext eine Aufwandsklasse günstiger als im Scoring. Genau deshalb lässt sich eine Use-Case-Liste in dieser Branche nicht nach Nutzen allein sortieren.

Beleg: altii, „Zwei Kalender, ein Pflichtenheft: KI im Kreditgeschäft nach dem Digital Omnibus“ · Stand: 27.07.2026

MaRisk-Novelle: das geplante Modul AT 4.3.4 „Einsatz von Modellen“

Die BaFin hat am 01.04.2026 die Konsultation 02/2026 zur grundlegend überarbeiteten MaRisk eröffnet (Frist 08.05.2026, Finalisierung für Anfang Q3 2026 erwartet; Umfang von 122 auf 82 Seiten reduziert, 25 größenabhängige Proportionalitätsklauseln). Verbands- und Prüferanalysen entnehmen der Konsultationsfassung ein neues Modul AT 4.3.4, das automatisierte Modelle und Künstliche Intelligenz ausdrücklich erfasst: Eignungsbeurteilung vor und regelmäßig nach dem Einsatz, hinreichende Kenntnis der Modellkonzeption samt wesentlicher Annahmen und Parameter, Verfahren zur Sicherung der Datenqualität, dokumentierte Override-Regelungen, regelmäßige Validierung und Erklärbarkeit im Sinne nachweisbarer Wirkungszusammenhänge zwischen Eingangs- und Ausgangsgrößen. Wichtig für die Bewertung: Das ist ein Konsultationsentwurf, kein geltendes Recht — die BaFin-Meldung zur Konsultation nennt weder KI noch AT 4.3.4 selbst.

Beleg: CASIS Wirtschaftsprüfung, „9. MaRisk-Novelle 2026: Neue Anforderungen zu Künstlicher Intelligenz und ESG-Resilienz“ (Sekundäranalyse der Konsultationsfassung) · Stand: 08.04.2026

Die Erwartungshaltung der BaFin an KI und maschinelles Lernen

Governance-Prozesse müssen ausdrücklich auf KI und maschinelles Lernen angepasst und Verantwortlichkeiten klar geregelt sein. Institute müssen Überprüfungsprozesse einrichten, die mögliche Diskriminierungsquellen identifizieren — unmittelbare, mittelbare und intersektionelle. Bei vergleichbaren Ergebnissen sind einfache Modelle den komplexen Blackbox-Methoden vorzuziehen. Menschliche Aufsicht und eine zuverlässige, transparente Daten-Governance sind zwingend, der Schulung der beteiligten Mitarbeitenden misst die Aufsicht hohe Bedeutung bei. Rechtsgrundlagen sind § 25a Abs. 1 Satz 1 KWG, § 23 Abs. 1 VAG, DSGVO Art. 9 Abs. 1 und Art. 22 sowie AGG §§ 19–20.

Beleg: BaFin-Fachartikel „Künstliche Intelligenz in der Finanzindustrie“ · Stand: 01.08.2024

DORA gilt, die BAIT laufen aus — jede KI-Leistung ist eine Auslagerungsfrage

DORA gilt seit dem 17.01.2025 unmittelbar; für DORA-pflichtige Institute sind die BAIT bereits aufgehoben und werden zum 01.01.2027 vollständig abgeschafft. Jede extern bezogene KI-Leistung ist als potenziell wesentliche Auslagerung beziehungsweise IKT-Drittdienstleistung nach § 25b KWG zu behandeln — mit Risikoanalyse, Vertragsanforderungen und dokumentierter Modell-Governance. Für Sparkassen und Genossenschaftsbanken heißt das praktisch: Der KI-Baustein kommt von der Rechenzentrale, die Verantwortung bleibt beim Institut.

Beleg: Deutsche Bundesbank, „BAIT und DORA“ (Aufsichtsrecht, Risikomanagement) · Stand: abgerufen 28.08.2026

Compliance wächst schneller als die Technikhürde

78 % der Institute setzen KI produktiv ein, 2023 waren es 52 %. Im selben Zeitraum stieg der Anteil der Institute mit Compliance-Problemen beim KI-Einsatz von 41 auf 55 %. Nur 23 % fühlen sich auf den EU AI Act gut vorbereitet. Der Engpass verschiebt sich damit von der Machbarkeit zur Nachweisbarkeit — und das trifft nicht alle Anwendungsfälle gleich stark.

Beleg: Cofinpro und VÖB-Service, „KI in Banken 2025 — Vom Hype zur Realität“, Befragung Juli 2025, 317 Experten aus Privatbanken, Sparkassen, Genossenschafts- und Förderbanken (Auswertung im IT-Finanzmagazin) · Stand: Befragung Juli 2025, abgerufen 28.08.2026

Datenlage und Projektabbrüche

Fehlende und schlecht aufbereitete Daten sind das größte Hindernis für KI-Projekte im Kreditgeschäft. 30 % aller begonnenen Projekte wurden vorzeitig abgebrochen — bei Privatbanken 47 %, bei Sparkassen und Genossenschaftsbanken je 32 %. Als Abbruchgründe genannt wurden fehlendes Know-how (39 %), schlechte Datengrundlage (39 %), mangelnde Akzeptanz der Mitarbeiter (33 %), technische Restriktionen (33 %), unzureichendes Budget (33 %), fehlendes Commitment der Bank (27 %) und ein nicht vorhandener Mehrwert (24 %). Eine Auswahl, die Datenverfügbarkeit nicht als eigene Aufwandsdimension führt, wiederholt diese Quote.

Beleg: Cofinpro, „KI im Kreditgeschäft“, Online-Befragung April 2025, 109 Abteilungs-, Bereichs- und Projektleiter im Kreditbereich deutscher Finanzdienstleister · Stand: April 2025

Die Häuser hängen am Release der Rechenzentrale

Sparkassen arbeiten auf OSPlus der Finanz Informatik, die allein in die Plattformentwicklung 328 Mio. Euro investiert und den Betrieb in eigenen Rechenzentren führt; Genossenschaftsbanken arbeiten auf agree21 der Atruvia, dem Digitalisierungspartner von rund 820 Instituten. Einzelne Häuser können KI-Fälle deshalb selten frei bauen — sie warten auf das Release. Gleichzeitig laufen knapp 70 % der KI-Initiativen als Insellösungen ohne strategische Koordination. Das verschiebt die Aufwandsbewertung: Zu klären ist, wann die Rechenzentrale den Baustein liefert und wie er ins Haus kommt — die Entwicklungsfrage stellt sich für das einzelne Institut gar nicht.

Beleg: IT-Finanzmagazin, „Jahresbericht: Finanz Informatik baut digitale Infrastruktur der Sparkassen systematisch aus“ · Stand: abgerufen 28.08.2026

Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG

KI-Systeme am Beraterarbeitsplatz sind nach ständiger Rechtsprechung mitbestimmungspflichtig, sobald sie objektiv zur Verhaltens- oder Leistungskontrolle geeignet sind — unabhängig vom erklärten Einsatzzweck. In der Praxis braucht es eine IT- oder KI-Rahmenbetriebsvereinbarung, bei öffentlich-rechtlichen Sparkassen eine Dienstvereinbarung mit dem Personalrat. Das verlängert die Einführungsdauer um Monate und gehört als eigene Aufwandsdimension in die Bewertung.

Beleg: Bitkom, Leitfaden „Künstliche Intelligenz und Mitbestimmung“ · Stand: Februar 2026

GwG-Systemprüfung: jede Regelwerksänderung kostet Prüfung

Datenverarbeitungssysteme zur Transaktionsüberwachung und zum Screening müssen jährlich von einem unabhängigen Prüfer geprüft werden; BaFin und IDW haben die Vorgaben seit April 2023 konkretisiert. Jede Änderung am Monitoring-Regelwerk erzeugt damit unmittelbar Prüfungsaufwand — ein laufender Aufwandstreiber, den branchenfremde Bewertungen regelmäßig übersehen, weil er im Projektbudget nicht auftaucht.

Beleg: Baker Tilly, „Geldwäscheprävention: BaFin forciert Qualitätskontrollen von Datenverarbeitungssystemen bei Banken gemäß AuA 6.2.3“ · Stand: abgerufen 28.08.2026

Adoptionslücke statt Techniklücke

Der S-KIPilot ist seit Sommer 2024 produktiv, an praktisch allen Sparkassen-Arbeitsplätzen verfügbar und erreicht rund 150.000 Nutzende. Eine Auswertung, die sich auf das FI-Magazin 1/2026 stützt, beschreibt ihn nach über 600 produktiven Tagen dennoch als kaum genutzt: Es fehlen der strategische Rahmen, definierte Anwendungsfälle, Prompt-Kompetenz und ein Mandat der Geschäftsleitung. Eine offizielle Nutzungsstatistik der Finanz Informatik gibt es nicht, die Aussage ist also nur mittelbar belegt. Als Ausgangslage für eine Priorisierung bleibt sie trotzdem bezeichnend: Das Werkzeug steht, die Use-Case-Auswahl fehlt.

Beleg: sotica, „S-KIPilot Nutzung: Warum der KI-Assistent in Sparkassen kaum genutzt wird“ (referenziert FI-Magazin 1/2026 und eine Bitkom-Befragung, KW 27–32/2025) · Stand: 27.08.2026

Das Gefälle zwischen den drei Säulen

Im operativen Kreditgeschäft nutzen 53 % der Privatbanken bereits KI, aber nur 21 % der Genossenschaftsbanken und 13 % der Sparkassen. Ausgangslage, Budget und Entscheidungsweg unterscheiden sich fundamental. Eine Priorisierung, die für alle drei Säulen dieselbe Reihenfolge vorschlägt, passt für höchstens eine davon.

Beleg: Cofinpro, „KI im Kreditgeschäft“, Online-Befragung April 2025, 109 Abteilungs-, Bereichs- und Projektleiter im Kreditbereich deutscher Finanzdienstleister · Stand: April 2025

Kennzahlen

In diesen Größen misst die Branche Wirkung. Wer den Nutzen eines Anwendungsfalls beziffern will, rechnet in ihnen — nicht in Modellgüte.

Cost-Income-Ratio (Aufwand-Ertrag-Relation) vor Bewertung — Sparkassen 2025: 56,5 % nach 54,2 % im Jahr 2024, also verschlechtert. Quelle: DSGV, „Rentabilität der Sparkassen 2025“, Bilanzpressekonferenz 17.03.2026, vorläufige Betriebsvergleichszahlen (Stand Februar 2026) — https://www.dsgv.de/api/download/6728/20260317_07_BPK_%C3%9Cbersicht_Rentabilit%C3%A4t.pdf
Verwaltungsaufwand Sparkassen 2025: 23,5 Mrd. Euro (+5,6 %), davon Personalaufwand 14,3 Mrd. Euro (+5,3 %) und Sachaufwand 9,2 Mrd. Euro (+6,0 %) — bei einem Zinsüberschuss von 29,8 Mrd. Euro (± 0,0 %) und einem Provisionsüberschuss von 11,3 Mrd. Euro (+5,4 %); Betriebsergebnis vor Bewertung 18,1 Mrd. Euro (−3,7 %). Quelle: DSGV, Bilanzpressekonferenz 17.03.2026 — https://www.dsgv.de/api/download/6728/20260317_07_BPK_%C3%9Cbersicht_Rentabilit%C3%A4t.pdf
Bewertungsergebnis Kreditgeschäft Sparkassen 2025: rund −2,6 Mrd. Euro bzw. −0,17 % der Durchschnittsbilanzsumme (+4,9 % gegenüber Vorjahr); Eigenkapitalrentabilität vor Steuern 9,5 % (2024: 10,4 %); Kernkapitalquote gemäß CRR 16,8 %; Jahresüberschuss 2,8 Mrd. Euro (+1,1 %). Quelle: DSGV, Bilanzpressekonferenz 17.03.2026 — https://www.dsgv.de/api/download/6728/20260317_07_BPK_%C3%9Cbersicht_Rentabilit%C3%A4t.pdf
Durchschnittsbilanzsumme (DBS) als Normierungsgröße — Aufwands- und Ertragspositionen werden in Prozent der DBS ausgedrückt (Verwaltungsaufwand 1,4 % DBS, Betriebsergebnis vor Bewertung 1,14 % DBS). Ein Nutzenversprechen, das nicht in DBS-Basispunkten oder CIR-Punkten formuliert ist, wird im Institut nicht als Ergebnis gelesen. Quelle: DSGV, Datensystematik Betriebsvergleich — https://www.dsgv.de/api/download/6728/20260317_07_BPK_%C3%9Cbersicht_Rentabilit%C3%A4t.pdf
Bearbeitungszeit je Kreditantrag / Durchlaufzeit je Prozessabschnitt — im Betriebsvergleich wird die Kreditbearbeitung nach Prozessabschnitten gemessen, die sich an den entstehenden Ergebnistypen orientieren, getrennt nach Baufinanzierung und gewerblichem Kreditgeschäft. Absolute Vergleichswerte werden öffentlich nicht genannt. Quelle: Der Bank Blog, Dr. Carsten Jacobi, „Fünf Erfolgsfaktoren der Kreditbearbeitung in Sparkassen“, 05.06.2024 — https://www.der-bank-blog.de/fuenf-erfolgsfaktoren-der-kreditbearbeitung/strategie/37710984/
KYC-Stückkosten und -Durchlaufzeit: 2.627 Euro je KYC-Prozess für Gewerbe- und Firmenkunden in Deutschland (rund 10 % über dem globalen Schnitt); 121–150 Tage bei über einem Viertel der Institute, 151–180 Tage bei 27 % (global 95 Tage); rund 1.800 Vollzeitkräfte je Institut; 22 % der Banken verwenden 50–60 % des Compliance-Budgets auf KYC; 43 % haben Kunden durch ineffizientes Onboarding verloren. Quelle: Fenergo „KYC Trend Report“, 204 Führungskräfte in Deutschland, Erhebung September/Oktober 2023 — https://www.it-finanzmagazin.de/studie-banken-scheitern-an-kyc-164181/
Verdachtsmeldungsvolumen und Werthaltigkeit: 374.693 Verdachtsmeldungen bei der FIU im Jahr 2025 (+41 %), davon 319.857 von Kreditinstituten (+49 %); rund 3,2 Mio. enthaltene Transaktionen; 67.024 an die Ermittlungsbehörden übermittelte Analyseberichte; 106 Sofortmaßnahmen über rund 751,8 Mio. Euro angehaltenes Transaktionsvolumen; Anteil der Neobanken von 13 auf 29 % gestiegen. Zum Vergleich: 265.708 Meldungen 2024, 322.590 im Jahr 2023. Quelle: FIU-Jahresbericht 2025, Generalzolldirektion, veröffentlicht 21.07.2026 — https://www.zoll.de/DE/FIU/Aktuelles-FIU-Meldungen/2026/fiu_jahresbericht_2025.html
Kostenreduktionspotenzial im Transaktionsmonitoring: ML-gestützte Systeme zur Transaktionsanalyse versprechen bei gleichwertiger Risikoabdeckung Kostenreduktionen von 60 Prozent und mehr. Quelle: Deloitte, „Künstliche Intelligenz in der Geldwäschebekämpfung“, 06.12.2024 — https://www.deloitte.com/de/de/services/financial-advisory/perspectives/kuenstliche-intelligenz-geldwaeschebekaempfung.html
KI-Reifegrad als Ausgangsgröße: 78 % der Institute setzen KI produktiv ein (2023: 52 %); Automatisierung manueller Prozesse und intelligente Informationsbeschaffung je 59 %; 57 % der Bankmitarbeiter nutzen ChatGPT oder Copilot im Arbeitsalltag; knapp 70 % der KI-Projekte bleiben Insellösungen; als Erfolgsfaktoren gelten hochwertige Daten (53 %), Know-how (47 %) und klare Use Cases (46 %); 89 % sehen besonderes Potenzial für generative KI im Prozessmanagement. Quelle: Cofinpro und VÖB-Service, „KI in Banken 2025“, Befragung Juli 2025, 317 Experten — https://www.it-finanzmagazin.de/confinpro-studie-vom-hype-zur-realitaet-78-prozent-der-banken-setzen-ki-produktiv-ein-235393/
Umsetzungsgrad im Kreditgeschäft nach Institutsgruppe: 31 % aller Institute haben KI-Anwendungen im operativen Einsatz, 27 % im Test, 23 % in Entwicklung, 9 % in Planung, 10 % ohne Pläne — aufgeschlüsselt Privatbanken 53 %, Genossenschaftsbanken 21 %, Sparkassen 13 % im operativen Einsatz. Quelle: Cofinpro, „KI im Kreditgeschäft“, April 2025 — https://cofinpro.de/assets/Uploads/2025_COFINPRO_KI-Kreditstudie.pdf
Projektabbruchquote als Aufwandsrisiko: 30 % aller begonnenen KI-Projekte im Kreditgeschäft wurden vorzeitig abgebrochen (Privatbanken 47 %, Sparkassen 32 %, Genossenschaftsbanken 32 %). Nur 23 % räumen dem Thema uneingeschränkt hohe Priorität ein, obwohl 84 % hohes Potenzial sehen. Quelle: Cofinpro, „KI im Kreditgeschäft“, April 2025 — https://cofinpro.de/assets/Uploads/2025_COFINPRO_KI-Kreditstudie.pdf
Prüfungsfeststellungen aus der Jahresabschlussprüfung nach § 29 KWG, Sonderprüfungen nach § 44 KWG und die jährliche GwG-Systemprüfung sind die aufsichtliche Erfolgsgröße, an der Compliance-Anwendungsfälle im Haus tatsächlich gemessen werden. Quelle (Prüfpflicht für Datenverarbeitungssysteme): Baker Tilly — https://www.bakertilly.de/beitrag/geldwaeschepraevention-bafin-forciert-qualitaetskontrollen-von-datenverarbeitungssystemen-bei-banken-gemaess-aua-623

Häufige Fragen

Fällt unsere Scorecard im Privatkundenkredit unter die Hochrisiko-Einstufung des EU AI Act, und ab wann greifen die Pflichten?

In aller Regel ja. Anhang III Nr. 5 lit. b des EU AI Act erfasst KI zur Bewertung der Kreditwürdigkeit natürlicher Personen und zur Ermittlung von Kredit-Scores als Hochrisiko; eine abweichende Einordnung des eigenen Systems verlangt eine dokumentierte Bewertung. Daran hängen die Betreiberpflichten samt Grundrechte-Folgenabschätzung nach Art. 27 — mit der DSGVO-Folgenabschätzung kombinierbar — und eine Konformitätsbewertung im Verfahren der internen Kontrolle, also ohne notifizierte Stelle. Nach dem Digital Omnibus gelten die Anhang-III-Pflichten ab dem 2. Dezember 2027, für eingebettete KI ab dem 2. August 2028, die Transparenzpflichten ab dem 2. August 2026 und die KI-Kompetenzpflicht bereits seit Februar 2025 (altii, „Zwei Kalender, ein Pflichtenheft: KI im Kreditgeschäft nach dem Digital Omnibus“, 27.07.2026). KI zur Aufdeckung von Finanzbetrug ist von dieser Einstufung ausdrücklich ausgenommen — dieselbe Technik ist im AML-Monitoring eine Aufwandsklasse günstiger als in der Scorecard.

Kann KI in der Marktfolge Aktiv das Zweitvotum übernehmen — oder nur zuarbeiten?

Nur zuarbeiten. Die Trennung von Markt und Marktfolge und das Vier-Augen-Prinzip sind aufsichtlich vorgegeben (MaRisk BTO 1.1) und lassen sich nicht wegautomatisieren; KI verändert deshalb die Zuarbeit — Dokumentensplitting, Extraktion in die Kreditakte, Kapitaldienstberechnung, Vorbereitung der Kreditvorlage —, nicht die Votierung. Der Nutzen ist damit auf eingesparte Zuarbeitszeit gedeckelt und sollte auch so beziffert werden. Dass dort trotzdem der größte Hebel des Kreditprozesses liegt, zeigt die Auswertung der Cofinpro-Kreditstudie im IT-Finanzmagazin (20.05.2025): Die Dokumentenanalyse ist mit 44 Prozent der Nennungen der Anwendungsfall mit dem größten wahrgenommenen Potenzial, bei 48 Prozent der Institute ist sie im Einsatz.

Womit lässt sich der Business Case für KI in der Alert-Bearbeitung des Transaktionsmonitorings belegen?

Die Aufwandsseite ist gut belegt: Der FIU-Jahresbericht 2025 der Generalzolldirektion (veröffentlicht 21.07.2026) zählt 374.693 Verdachtsmeldungen, 41 Prozent mehr als im Vorjahr, davon 319.857 von Kreditinstituten; daraus gingen 67.024 Analyseberichte an die Ermittlungsbehörden. Auf der Nutzenseite beziffert Deloitte das Potenzial ML-gestützter Transaktionsanalyse bei gleichwertiger Risikoabdeckung auf Kostenreduktionen von 60 Prozent und mehr („Künstliche Intelligenz in der Geldwäschebekämpfung“, 06.12.2024). Eine belegte deutsche Ausgangsquote für False Positives existiert dagegen nicht; kursierende Reduktionswerte von 50 bis 80 Prozent stammen aus Anbieterblogs ohne nachprüfbare Primärquelle und taugen nicht als Rechengrundlage. Tragfähig ist deshalb die eigene Zahl der manuell zu klärenden Alerts je Vollzeitkraft — gegengerechnet mit dem Prüfungsaufwand, den die jährliche GwG-Systemprüfung bei jeder Änderung am Monitoring-Regelwerk auslöst.

Der S-KIPilot liegt an praktisch jedem Sparkassen-Arbeitsplatz — warum entsteht daraus so wenig Wirkung?

Weil der Engpass nicht die Technik ist, sondern die Anwendung. Der S-KIPilot ist seit Sommer 2024 produktiv und erreicht rund 150.000 Nutzende; die Finanz Informatik erwartete bis Ende 2025 rund 200.000 profitierende Mitarbeitende (Der Bank Blog, Andreas Schelling, 10.02.2026). Eine Auswertung des Beratungshauses sotica, gestützt auf das FI-Magazin 1/2026, beschreibt das Werkzeug nach über 600 produktiven Tagen dennoch als kaum genutzt und nennt dafür einen fehlenden strategischen Rahmen, nicht definierte Anwendungsfälle, fehlende Prompt-Kompetenz und ein fehlendes Mandat der Geschäftsleitung (27.08.2026); eine offizielle Nutzungsstatistik der Finanz Informatik liegt nicht vor, die Nutzungslücke ist also nur mittelbar belegt. Für die Priorisierung heißt das: Der Aufwand dieses Falls steckt in Enablement und in der Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG, nicht in der IT.

In welcher Größe muss der Nutzen eines KI-Falls ausgedrückt sein, damit er im Institut als Ergebnis gilt?

In Punkten der Cost-Income-Ratio und in Basispunkten der Durchschnittsbilanzsumme. Der Betriebsvergleich normiert jede Aufwands- und Ertragsposition auf die Durchschnittsbilanzsumme — der Verwaltungsaufwand liegt bei 1,4 Prozent der DBS, das Betriebsergebnis vor Bewertung bei 1,14 Prozent. Der Anlass steht in denselben Zahlen: Die Cost-Income-Ratio vor Bewertung der Sparkassen verschlechterte sich 2025 von 54,2 auf 56,5 Prozent, weil der Verwaltungsaufwand um 5,6 Prozent auf 23,5 Mrd. Euro stieg, während der Zinsüberschuss mit 29,8 Mrd. Euro stagnierte (DSGV, „Rentabilität der Sparkassen 2025“, vorläufige Betriebsvergleichszahlen, Bilanzpressekonferenz 17.03.2026). Ein Nutzenversprechen in eingesparten Stunden, das nicht auf diese Größen umgerechnet ist, wird in der Vorstandsvorlage nicht als Ergebnis gelesen.