Vom AI-Hype zur Banking-Realität

Finanzinstitute navigieren durch eine komplexe AI-Landschaft. Fabio Strässle, Head of AI Centre of Excellence bei G+D Netcetera, erklärt, was echten Mehrwert schafft, was nur Hype ist – und wie Banken wirklich von AI profitieren.

Wie viele war ich fasziniert, als Large Language Models auf den Markt kamen – ihre Fähigkeiten und das Entwicklungstempo sind aussergewöhnlich. G+D Netcetera beschäftigt sich aber schon fast ein Jahrzehnt mit AI, lange vor dem aktuellen LLM-Boom. Das Team hat in dieser Zeit enorme Expertise und technische Kompetenz aufgebaut. Technisches Know-how allein reicht aber nicht.

Was ich einbringe, aus meiner Erfahrung als Product Manager, ist die Kundenperspektive: Wir müssen Lösungen entwickeln, die konkrete Geschäftsprobleme lösen und echten Mehrwert schaffen. Nicht Technologie um der Technologie willen.

Die zweite Erkenntnis: Die Fähigkeiten moderner AI-Systeme sind selten das Problem. Die echte Herausforderung liegt darin, sie skalierbar, sicher und compliant zu machen – gerade in regulierten Branchen wie dem Finanzsektor. Neue Sicherheitsfragen entstehen rund um LLMs und Protokolle wie MCP. Compliance-Frameworks müssen mithalten. Hier zahlt sich die jahrzehntelange Erfahrung von G+D Netcetera aus: Software nach höchsten Sicherheits- und Compliance-Standards für regulierte Branchen zu entwickeln. Meine Vision ist es, genau diese Lücke zu schliessen: modernste AI zu nehmen und sie banking-ready zu machen.

Klassische AI-Anwendungen wie Betrugserkennung und Risikobewertung haben sich längst bewährt. Wo LLMs wirklich transformativ wirken, ist beim Umgang mit riesigen Mengen unstrukturierter Daten: Dokumente, Texte, Sprache. Die meisten Organisationen ertrinken regelrecht in Dokumenten. Es ist oft menschlich unmöglich, diese Wissensräume effizient zu durchsuchen; Stunden gehen bei der Suche nach spezifischen Informationen verloren. Das ist typischerweise einer der ersten Bereiche, die Unternehmen mit LLMs angehen: unstrukturierte Daten nutzbar machen. Genau das leistet unsere DocDive-Lösung: sie liefert Intelligenz über Dokumente und Datenquellen hinweg und findet relevante Informationen in Sekunden statt Stunden.

Was sich noch entwickelt, ist vollautonome Entscheidungsfindung. Da konzentrieren sich gerade viel Hype, aber auch Potenzial. Agentische Fähigkeiten sind real und wachsen, aber echte Autonomie gibt es noch nicht. Die Modelle haben Grenzen, der Mensch bleibt im Loop, und regulatorische Rahmenbedingungen hinken hinterher.

Was massiv übertrieben wird? Das 'Plug-and-Play'-Versprechen. Einfach ein AI-Tool einstecken und alles wird 50% produktiver. Die Realität sieht anders aus: Menschen brauchen Skills, um diese Tools effektiv einzusetzen. Systeme müssen integriert werden. Daten müssen verfügbar und qualitativ hochwertig sein. Die klassische Expertise in Software-Integration und Data Governance bleibt absolut kritisch.

Ein spannender Trend ist agentischer E-Commerce. Visa, Mastercard und andere arbeiten bereits an Agent-to-Agent-Zahlungsprotokollen. Die Vision vollautonomer Agenten, die in deinem Namen Transaktionen durchführen, ist faszinierend – aber es liegt noch ein weiter Weg vor uns. Wer behauptet, das komme morgen, unterschätzt den Aufwand massiv.

Ehrlich gesagt: Es ist zu früh, um von einem perfekten Rezept zu sprechen. Aber wir sehen bereits klare Fehlermuster. Die zu vermeiden ist die halbe Miete.

Der erste Fehler: Zu stark auf Technologie fokussieren und dabei Geschäfts- und Kundenanforderungen aus den Augen verlieren. Viele Institute springen auf den Zug auf mit dem Gedanken 'wir müssen irgendwas mit AI machen', ohne vorher konkrete Probleme zu identifizieren, die es zu lösen gilt. Am Ende bauen sie Lösungen, die zwar cool wirken oder technisch möglich sind, aber keinen echten Mehrwert bringen. Das ist eine Falle.

Der gegenteilige Fehler ist genauso gefährlich: Auf perfekte Bedingungen warten. Riesige 'AI-ready'-Infrastrukturprojekte sind obsolet, bevor sie fertig sind – in einem Umfeld, das sich so rasant entwickelt.

Der smartere Ansatz: Mit Unternehmen zusammenarbeiten, für die AI das Kerngeschäft ist. Für Finanzinstitute ist AI ein Werkzeug, keine Kernkompetenz. Alles selbst von Grund auf zu entwickeln, verschwendet oft nur Ressourcen. Statt auf perfekte Bedingungen zu warten: Fokus auf hochwertige Anwendungsfälle. Lösungen bauen, iterieren, schnelle Erfolge erzielen. Wenn etwas funktioniert, erweitern und skalieren. Eine Vision ist wichtig, ja, aber der iterative Ansatz generiert Learnings und hält das Momentum aufrecht. Die Alternative: Geld in Projekte versenken, die nirgendwo hinführen.

Wichtig ist auch ein Mindset-Shift: Wir sind deterministische Software gewohnt: gleicher Input, gleicher Output. AI ist probabilistisch. AI-Lösungen mit den gleichen Prozessen zu bewerten wie traditionelle Software ist ein Fehler.

Und schliesslich: Die Daten müssen verfügbar sein. AI-Tools werden besser mit besserem Kontext. Context Engineering ist ein echter Differentiator und das setzt eine solide Datenbasis voraus. Ohne diese bleiben selbst die besten Modelle unter ihren Möglichkeiten.

Die ehrliche Antwort: Man braucht Experten für beides. Denn die beiden Denkweisen sind grundverschieden. Man kann nicht gleichzeitig kreative Grenzen verschieben und hyperkritisch auf Risiken achten. Das ist wie gleichzeitig brainstormen und editieren zu wollen – funktioniert nicht.

Bei G+D Netcetera haben wir Leute mit jahrzehntelanger Erfahrung in hochsicheren, privacy-getriebenen Branchen. Und unser Machine-Learning- und AI-Team, das technische Grenzen verschiebt. Entscheidend ist: Diese Gruppen arbeiten zusammen. Innovatoren und Sicherheitsexperten kollaborieren, statt in Silos zu arbeiten.

Und ganz wichtig: Sicherheit und Datenschutz sind keine Nachgedanken. Sie sind von Anfang an Teil unserer Machbarkeitsprüfung. Wenn wir evaluieren, ob etwas mit AI umsetzbar ist, fragen wir gleichzeitig: Können wir das sicher umsetzen? Können wir Kundendaten schützen? Diese Prüfung ist vom ersten Tag an integriert.

Risikomanagement und Echtzeit-Betrugsprävention bleiben riesige Chancen. Modelle überwachen Transaktionen und berechnen Risiko-Scores, um das Verhältnis von Transaktionen zu Betrug zu optimieren. Das Ziel: Betrug reduzieren und gleichzeitig False Positives minimieren damit legitime Transaktionen reibungslos durchgehen. Es ist ein ständiger Balanceakt in einem riesigen Markt. Betrugsmuster entwickeln sich laufend weiter, das Potenzial ist endlos.

Bei der operativen Effizienz eröffnen die neuen Technologien enorme Möglichkeiten. Aufgaben, die früher Menschen erledigen mussten – strukturierte Daten extrahieren, Dateneingabe, Analysen, Recherchen – lassen sich heute weitgehend automatisieren. Das setzt Kapazitäten frei für wertschöpfende Tätigkeiten.

Dann gibt es die Kundenseite. AI Banking Assistants ermöglichen 24/7-Support für jede Kundenanfrage. Sie analysieren Kundendaten, führen Aktionen aus und helfen bei der Navigation durchs Banking. Deutlich effizienter als traditionelle Interfaces.

Besonders spannend finde ich Hyper-Personalisierung in Echtzeit. Früher hat man Kunden segmentiert und verschiedene Journeys entwickelt – ein manueller Prozess, der vielleicht einmal jährlich stattfand. Heute ermöglicht AI, jedem einzelnen Kunden im richtigen Moment massgeschneiderte Produktempfehlungen und Erlebnisse zu bieten.

DocDive ist eine AI-Plattform, die verschiedene AI-Tools und Datenquellen agentisch orchestriert. Im Kern ist es ein RAG-System, das Tausende oder Zehntausende Dokumente verwalten kann. Nutzer können Informationen zusammenfassen, suchen und extrahieren. Aber es geht weiter als das: DocDive verbindet sich via MCP sicher mit anderen Datenquellen.

Der entscheidende Unterschied: Deployment-Flexibilität. In hochsensiblen Branchen ist Cloud oft keine Option. DocDive lässt sich komplett on-premise betreiben (alle Daten bleiben auf den Servern des Kunden). Das bietet maximale Kontrolle, was für viele Finanzinstitute nicht verhandelbar ist.

Der AI Banking Assistant nutzt modernste agentische AI-Fähigkeiten. Er liefert nicht nur Informationen. Er führt Aktionen und Transaktionen über verbundene Tools sicher aus. Das ist auch ein Schritt in Richtung agentischer E-Commerce.

Was alle unsere Tools auszeichnet: Tiefe Finanzdienstleistungs-Expertise, eingebaut in jede Entscheidung, von der Architektur bis zum UI/UX. Generische AI-Tools verstehen Banking-Regulierungen nicht, kennen keine Datensouveränitäts-Anforderungen, haben keine Compliance-Validierung. Unsere Tools sind genau dafür von Grund auf entwickelt.

2026 wird oft als Jahr der agentischen AI bezeichnet und ich sehe das bereits Realität werden. Im letzten Jahr sind diese Fähigkeiten deutlich gereift. Standardisierte Protokolle entstehen, branchenübergreifende Explorationen laufen, die Tools werden wirklich nutzbar. Agentische Workflows werden stabiler, vorhersehbarer, praktischer und erweitern den Bereich dessen, was ohne menschliches Eingreifen funktioniert.

Was begonnen hat, aber noch nicht abgeschlossen ist: robuste Identitäts- und Trust-Frameworks für Agenten, besonders im Zahlungsverkehr. Viele Player arbeiten bereits an Ansätzen. Wir könnten bis Ende 2026 standardisierte Lösungen sehen.

Wir werden mehr regulatorische Klarheit erleben. Und wichtig: branchengetriebenen Konsens über sichere, privacy-respektierende AI-Nutzung. Das läuft oft der formalen Regulierung voraus.

Weiter in die Zukunft zu blicken ist Kaffeesatzleserei. Die Innovationsgeschwindigkeit ist unvorhersehbar. Aber wenn wir aktuelle Trends projizieren: Agentische AI wird zuverlässiger und autonomer, automatisiert zunehmend typische Aufgaben. Welche Institutionen werden erfolgreich sein? Jene, die jetzt die Grundlagen legen: in Datenqualität investieren, Sicherheitsinfrastruktur aufbauen, Skills für diese Tools entwickeln. Die Technologie entwickelt sich weiter. Die Frage ist, ob Sie bereit sind, sie effektiv zu nutzen.

Ich bin offensichtlich nicht objektiv, aber an diesem Punkt kann man vor dieser Technologie nicht mehr die Augen verschliessen. Nichts tun ist definitiv die falsche Wahl.

Ich verstehe aber vollkommen, dass das Tempo und die Neuheit überwältigend sind. Alles alleine stemmen – die gesamte Expertise intern aufbauen – ist für die meisten Institute nicht der richtige Weg. Meine Empfehlung: Findet einen vertrauenswürdigen Partner und startet klein.

Was heisst das konkret? Startet mit echten Geschäftsproblemen, nicht mit Technologie. Wählt einen wirkungsvollen Anwendungsfall, der klaren Mehrwert liefert, ohne monatelange Implementierung. Schnelle Erfolge sind wichtig: Sie werden intern auf Skeptiker und Trägheit stossen. Schnell Mehrwert zu demonstrieren ist entscheidend, um Momentum aufzubauen.

Sie brauchen die richtige Datenqualität, Sicherheitsinfrastruktur, Compliance-Framework. Mit einer hippen Beratung oder einem Startup zu arbeiten, das diese Grundlagen vernachlässigt, ist riskant. Es ist verlockend, sich auf beeindruckende Features zu konzentrieren während Sicherheit und Compliance unter den Tisch fallen. Bis es zum Problem wird.

Zusammengefasst: Fokus auf geschäftsgetriebene Lösungen. Vertrauenswürdigen Partner finden und gemeinsam entwickeln. Wirkungsvolles Problem wählen, bei dem Sie schnell Mehrwert erreichen. Iterativ entwickeln, lernen, kontinuierlich verbessern.

2015-2018: Aufbaujahre Erste AI- und Machine-Learning-Projekte in Healthcare, Mobilität und Finance. Aufbau von Kernexpertise in regulierten Branchen.

2019: Branchenanerkennung AI-Partner bei der World Telematics Innovation Conference. Zweiter Platz bei SBBs Flatland Challenge – Lösung von Netzwerkstörungen mit Machine Learning.

2020-2021: Healthcare-Durchbruch Entwicklung der Phivea®-Plattform mit gMendel für Diagnose genetischer Störungen mittels fortschrittlicher AI und massgeschneidertem Deep Learning. Dritter Platz beim Golden-Egg-Startup-Wettbewerb.

2022-2023: Banking-Transformation Launch von AI Banking Assistants und DocDive-Plattform. Erweiterung der AI-Anwendungen im Digital Banking, Betrugserkennung und Dokumentenverarbeitung.

2024: Centre of Excellence etabliert Formalisierung des AI Centre of Excellence: Zentralisierung von Expertise, Standardisierung von Prozessen, Beschleunigung geschäftsgetriebener AI-Lösungen über alle Divisionen.

2025-2026: Next-Generation-AI Fokus auf agentische Workflows, kognitive Prozessautomatisierung und sichere AI-Integration durch MCP.