KI in Banken und Versicherungen: Warum Metadaten über den Erfolg entscheiden

Viele Banken und Versicherer haben erste KI-Anwendungen im Einsatz. Zwischen einem gelungenen Pilotprojekt und einer tragfähigen, unternehmensweiten Nutzung liegt jedoch ein erheblicher Unterschied – besonders dann, wenn Agenten Aufgaben zunehmend selbstständig übernehmen sollen. Thomas Ertl, Head of Data Management beim Lösungsanbieter x1F, erklärt, woran sich ein aussagekräftiger KI-Pilot erkennen lässt, warum Metadaten wichtiger sind als eine vollständige Zentralisierung aller Daten und welche Rolle Regulierung, Nachvollziehbarkeit und Change Management auf dem Weg zur nächsten Stufe spielen.

Woran Sie einen tragfähigen KI-Piloten erkennen

Die Zahl der Ankündigungen rund um künstliche Intelligenz ist groß, die Zahl der Vorhaben mit belastbarem Nutzen deutlich kleiner. Für Thomas Ertl gibt es einen einfachen Prüfstein: Eine Anwendung hat Substanz, wenn sie ein konkretes Problem besser löst und der Business Case einen klaren „Return to Outcome“ im Verhältnis zu Entwicklungsaufwand und Tokenkosten bietet. Nicht die Technologie steht damit am Anfang, sondern die Frage, welcher Beitrag zum Geschäftsergebnis tatsächlich entsteht.

Daraus ergibt sich eine Reihenfolge, die sich in der Praxis häufig umkehren lässt: zuerst der konkrete Anwendungsfall, danach die passende Infrastruktur. Wer zuerst Plattformen und Modelle beschafft und anschließend nach Verwendungsmöglichkeiten sucht, bindet Budget und Personal, ohne den Nutzen belegen zu können. Für Verantwortliche bedeutet das, Bewertungskriterien vor dem Start festzulegen – etwa den Zeitgewinn pro Vorgang, die Qualität der Ergebnisse, die Kosten je Anfrage und die Frage, wie viele Fälle überhaupt anfallen. Tokenkosten sind dabei keine Nebensache, sondern laufende Betriebskosten, die bei hohen Fallzahlen spürbar ins Gewicht fallen.

Was in Banken und Versicherungen heute bereits funktioniert

Ein Blick auf die Praxis zeigt ein differenziertes Bild. Viele Institute nutzen große Sprachmodelle als interne Wissenssysteme. Das klingt unspektakulär, spart aber Zeit bei der Suche und der Auswertung von Dokumenten – ein Effekt, der sich über viele Arbeitsplätze summiert. Bei Banken finden sich nach Ertls Beobachtung im Accounting standardisierte Fälle, und bei einzelnen Kunden kommen bereits KI-basierte Kreditentscheidungen zum Einsatz. Versicherer setzen die Technologie unter anderem in Vertrieb, Underwriting und Schadenbearbeitung ein.

Deutlich weiter geht der Trend zu „offensiven“ KI-Anwendungen. Gemeint sind Systeme, die nicht mehr nur auf eine Anfrage reagieren, sondern Aufgaben übernehmen, Prozesse anstoßen und mit anderen Systemen interagieren. Der Unterschied ist nicht nur technischer Natur. Sobald eine Anwendung selbst handelt, braucht sie Schnittstellen, Berechtigungen und Freigaberegeln, und die Verantwortung für das Ergebnis verschiebt sich. Für Kunden zeigt sich der Wandel vor allem in kürzeren Bearbeitungszeiten und schnelleren Rückmeldungen – dort, wo Prozesse zuvor an Systembrüchen hängen blieben.

Metadaten statt zentraler Datensammlung

Auf dem Weg zu KI-Agenten, die Aufgaben weitgehend selbstständig übernehmen, liegt eine naheliegende Vermutung: Zuerst müssten alle relevanten Daten zentral zusammengeführt werden. Ertl hält das für einen Trugschluss. Entscheidend seien die Metadaten – also das Wissen darüber, welche Informationen wo liegen und wie die Systeme zusammenspielen. Auf dieser Grundlage lassen sich Agenten über Systemgrenzen hinweg orchestrieren, ohne sämtliche Daten an einer Stelle zu bündeln.

Für die Praxis hat diese Haltung mehrere Konsequenzen. Daten bleiben dort, wo sie entstanden sind und wo ihre Zuständigkeit geklärt ist; der Agent greift nur auf das zu, was er für eine Aufgabe benötigt. Das reduziert den Umfang großer Migrations- und Konsolidierungsprojekte, die Jahre dauern können, und erhöht die Chance auf einen frühen, überschaubaren Start. Voraussetzung ist allerdings, dass die Metadaten gepflegt werden: Ein Verzeichnis, das Auskunft über Datenquellen, Bedeutungen, Verantwortlichkeiten, Aktualität und Zugriffsrechte gibt, ist keine einmalige Dokumentation, sondern eine laufende Aufgabe. Veralten die Angaben, verliert auch der beste Agent seine Orientierung – er sucht dann in falschen Systemen oder interpretiert Felder falsch.

Warum die Agenten einzelner Anbieter nicht ausreichen

Die Agenten der großen Softwareanbieter können nach Einschätzung von Ertl eine Grundlage bilden. Allerdings bleibt jeder Anbieter zunächst in seinem eigenen technologischen Ökosystem, während die Prozesse in einem Institut über mehrere Systeme hinweg verlaufen. Wer ausschließlich auf die Werkzeuge eines Herstellers setzt, stößt deshalb an Grenzen, sobald ein Vorgang Systeme unterschiedlicher Herkunft berührt. Unternehmen brauchen eine technologieoffene Ebene, die Agenten verschiedener Anbieter und Anwendungen zusammenführt. Auch hier sind Metadaten der Schlüssel.

Hinter dieser Anforderung steht ein bekanntes Muster aus der IT: Je tiefer ein Anbieter in die Abläufe eingreift, desto stärker wächst die Abhängigkeit von seinen Produktzyklen, Preisen und Schnittstellen. Eine offene Orchestrierungsschicht schafft dagegen die Möglichkeit, Komponenten auszutauschen, ohne den gesamten Prozess neu zu bauen. Anbieter wie x1F positionieren sich in diesem Feld als Integrator: Das Unternehmen beschreibt sein Portfolio als integrierte Lösungen mit besonderem Fokus auf die Financial Services Industry, von End-to-End-Prozessen über digitale Transformation bis hin zum Betrieb als Managed Services. Entscheidend für Institute bleibt unabhängig vom Anbieter, dass die verbindende Ebene nicht selbst zum neuen Engpass wird – sie muss Agenten unterschiedlicher Herkunft aufnehmen, ihre Aufgaben koordinieren und Ergebnisse nachvollziehbar zurückmelden können.

Regulierung, Nachvollziehbarkeit und Cybersicherheit von Anfang an

Je autonomer Agenten arbeiten, desto stärker rücken Regulierung, Nachvollziehbarkeit, Governance und Cybersicherheit in den Vordergrund. Ertl plädiert dafür, diese Themen von Beginn an mitzudenken statt sie nachträglich anzuhängen. Gerade gegenüber Aufsichtsbehörden muss nachvollziehbar sein, wie Entscheidungen zustande kommen. Fehlende Kontrolle kann zudem zu einem Reputationsrisiko werden – ein Aspekt, der in Projektplänen leicht untergeht, weil er sich nicht in einer Kennzahl abbilden lässt.

Für Institute heißt das konkret: Jede Entscheidung eines Agenten sollte protokolliert und später überprüfbar sein. Es braucht klare Grenzen, bis zu welchem Punkt ein System selbstständig handelt und ab wann ein Mensch bestätigt, sowie definierte Verantwortlichkeiten für jedes Ergebnis. Zugriffsrechte gehören nach dem Minimalprinzip vergeben, und Agenten benötigen eigene, eindeutig identifizierbare Identitäten, damit sich ihre Aktionen von denen anderer Systeme unterscheiden lassen. Mit dem Zugriff auf mehrere Fachanwendungen wächst zugleich die Angriffsfläche: Wer einen Agenten kompromittiert, erhält potenziell Zugang zu Systemen, die zuvor abgeschottet waren. Deshalb gehören Monitoring, eine Abbruchmöglichkeit im laufenden Betrieb und eine belastbare Datenqualität zum Fundament – nicht in die letzte Projektphase.

Der Fahrplan für 2026 und 2027

Sein Rat an Institute, die den nächsten Schritt gehen wollen: nicht auf die perfekte KI-Welt warten, sondern mit klaren, beherrschbaren Use Cases starten. So lassen sich Abläufe beschleunigen und Mitarbeitende entlasten. Für viele Unternehmen ist 2026 noch das Jahr der Proofs of Concept; 2027 geht es dann um die Priorisierung und die Skalierung der erfolgreichen Fälle. Diese zeitliche Einordnung hilft bei der Planung, weil sie zwei unterschiedliche Aufgaben trennt: In der ersten Phase geht es um Lernen, Messen und das Verwerfen von Ansätzen, die den Nutzen nicht belegen. In der zweiten Phase entscheidet sich, welche Vorhaben ausgerollt werden, welche Standards gelten und wie die Betriebskosten dauerhaft tragfähig bleiben.

Dabei ist das Change Management nach Einschätzung von Ertl nicht zu unterschätzen. Wenn sich Rollen durch KI verändern oder Aufgaben zusammengelegt werden, muss dieser Wandel aktiv begleitet und gestaltet werden. Das betrifft die Weiterbildung der Beschäftigten ebenso wie klare Zuständigkeiten, eine offene Kommunikation über Veränderungen und die Beteiligung der Fachbereiche, die die Prozesse am besten kennen. Wer die technische Einführung ohne diese Begleitung vorantreibt, riskiert, dass Anwendungen zwar vorhanden sind, aber nicht genutzt werden – ein Muster, das aus früheren Automatisierungswellen bekannt ist.

Was Sie daraus für Ihr eigenes Vorhaben mitnehmen können

Für Ihre Planung ergeben sich daraus mehrere Ansatzpunkte. Beginnen Sie mit einem Anwendungsfall, dessen Ergebnis Sie messen können, und legen Sie vor dem Start fest, woran Sie Erfolg erkennen. Kalkulieren Sie die laufenden Kosten je Anfrage ein, statt nur die Entwicklung zu betrachten. Investieren Sie in Metadaten und Verzeichnisse, bevor Sie über die zentrale Zusammenführung großer Datenbestände nachdenken. Planen Sie die verbindende Ebene zwischen den Systemen bewusst als offene Komponente, damit Sie nicht in die Abhängigkeit eines einzelnen Herstellers geraten. Und behandeln Sie Nachvollziehbarkeit, Berechtigungen und Sicherheit als Teil des Produkts, nicht als Dokumentation für später.

Der entscheidende Unterschied zwischen einem eindrucksvollen Pilotprojekt und einem dauerhaft nützlichen System liegt damit weniger in der Auswahl des Modells als in der Ordnung ringsum: zu wissen, welche Daten wo liegen, wer für sie zuständig ist und wer entscheidet, wenn ein Agent handelt. Institute, die diese Grundlagen früh klären, verschaffen sich den Spielraum, erfolgreiche Fälle auszuweiten – und solche, die es nicht sind, rechtzeitig zu beenden.