Operational Excellence mit KI: Ein strategischer Rahmen für Banken und Versicherer

1. Einleitung: KI ist angekommen, doch der konkrete Nutzen erreicht oft nicht die Erwartungen

KI ist längst kein Zukunftsthema mehr. In vielen Unternehmen kommen heute Modelle zum Einsatz, die Texte generieren, Dokumente analysieren, Anfragen beantworten oder operative Entscheide vorbereiten. Was noch vor wenigen Jahren experimentell wirkte, ist mittlerweile technologisch ausgereift und breit verfügbar. Dennoch bleibt der konkrete Nutzen in vielen Fällen hinter den Erwartungen zurück. Die Ursachen liegen dabei selten in technischen Defiziten, sondern häufig in fehlender Prozessklarheit, unpräziser Zieldefinition oder mangelnder Umsetzung über das Pilotierungs-Stadium hinaus.

KI entfaltet ihren Wert nur dort, wo Struktur vorhanden ist – also dort, wo Prozesse stabil laufen, Informationen verfügbar sind und Verantwortlichkeiten klar geregelt sind. Was vielerorts fehlt, ist nicht der Innovationswille, sondern eine systematische Herangehensweise oder organisationale Guidelines zum Einsatz von KI. Die entscheidende Frage lautet nicht, in welchen Bereichen der Einsatz von KI theoretisch möglich wäre, sondern in welchen Kontexten sie in der Praxis tatsächlich Wirkung entfalten kann.

Dieses Whitepaper liefert eine fundierte Antwort auf genau diese Frage. Es zeigt auf, wie sich Prozesse entlang zentraler Kriterien wie Frequenz, Standardisierung, regulatorischem Druck und Wissensintensität einordnen lassen. Denn diese Merkmale bestimmen, ob KI automatisieren, assistieren oder schlicht keine Rolle spielen sollte. Im Mittelpunkt steht der Gedanke, dass operative Exzellenz nicht durch Technologie entsteht, sondern durch konsequente Priorisierung. Wer KI ohne Prozesslogik einsetzt, erhöht den Komplexitätsgrad, aber nicht die Qualität.

2. KI als Enabler operativer Exzellenz: Technologien, Anwendungen und Voraussetzungen

KI bietet zahlreiche Hebel zur Optimierung operativer Abläufe. Sie unterstützt oder fällt Entscheidungen, erkennt Muster in grossen Datenmengen und ermöglicht personalisierte Kundeninteraktionen. Dadurch trägt KI nicht nur zur Beschleunigung bei, sondern sorgt zugleich für mehr Struktur – insbesondere in einem Umfeld mit wachsenden regulatorischen Anforderungen und steigenden Kundenerwartungen.

Die technologischen Grundlagen von KI lassen sich in mehrere, nicht überschneidungsfreie Kategorien gliedern:

• Machine Learning (ML) bildet die Basis für Prognosen, Klassifikationen und datenbasierte Entscheidungen.
• Natural Language Processing (NLP) analysiert unstrukturierte Sprache, zum Beispiel in E-Mails, Vertragstexten oder regulatorischen Dokumenten.
• Computer Vision analysiert und verarbeitet visuelle Informationen in Bildern oder Videos.
• Generative KI erzeugt Inhalte wie Texte, Bilder oder Code und ist besonders dort relevant, wo Wissen dynamisch erschlossen werden muss.
• Reinforcement Learning (RL) eignet sich für Entscheidungen in komplexen, dynamischen Systemen mit Feedbacklogik.
• Predictive Analytics nutzt bestehende Daten zur Vorhersage von Prozessverhalten, Kundenreaktionen oder operativen Risiken.

In unserer Beratungspraxis bei Banken und Versicherungen zeigt sich die Bandbreite möglicher Anwendungen bereits deutlich: intelligente Chatbots beantworten im Kundendienst einfache Anfragen rund um die Uhr, KI-Modelle klassifizieren eingehende Fälle automatisiert und ermöglichen eine regelbasierte Dunkelverarbeitung, und Backoffice-Systeme prüfen Dokumente auf Vollständigkeit, extrahieren Daten und führen Abgleiche durch. Auch im Risikomanagement kommt KI zum Einsatz – etwa bei der Erkennung verdächtiger Muster in Transaktionen oder zur Unterstützung von KYC-Prozessen.

Gleichzeitig gilt: KI ist kein Plug-and-Play. Ihr Potenzial entfaltet sich nur unter klaren Voraussetzungen – bei definierten Prozessen, strukturierten und qualitativ hochwertigen Daten sowie ausreichender organisatorischer Reife. Technologie allein genügt nicht. Es braucht ein ganzheitliches Vorgehen, das Technologien, Prozesse und strategische Ziele systematisch miteinander verknüpft.

3. Wo KI am meisten bewirken kann: Prozesslogik als Priorisierungshilfe

Nicht jeder Prozess stellt den gleichen Hebel für den produktiven Einsatz von KI dar. Das Potenzial ergibt sich dort, wo hoher Nutzen auf geringen Aufwand trifft – also dort, wo Automatisierung mit überschaubarem Risiko machbar ist und klaren Mehrwert liefert.

Massgeblich sind dabei strukturelle Eigenschaften wie Prozessfrequenz, Standardisierungsgrad, Datenverfügbarkeit, Expertenabhängigkeit und regulatorische Relevanz. Prozesse mit hohem Volumen, klaren Regeln und gut strukturierten Daten eröffnen oft einen schnellen Zugang zu produktiven KI-Anwendungen. Umgekehrt sind unregelmässige, stark wissensbasierte oder rechtlich besonders sensible Prozesse deutlich anspruchsvoller – nicht nur technologisch, sondern auch im Hinblick auf Governance, Transparenz und Akzeptanz.

In unserer Beratungspraxis beobachten wir oft, dass Unternehmen unsicher sind, wie sie den Einstieg in KI gestalten sollen. Immer wieder stellt sich die Frage, ob es sinnvoll ist, mit komplexen Prozessen zu beginnen, auch wenn deren Strukturen noch nicht stabil oder ausreichend nachvollziehbar sind. Gleichzeitig erleben wir, dass KI-Initiativen manchmal losgelöst vom konkreten Geschäftsnutzen geplant werden. Deshalb braucht es einen klaren Priorisierungsrahmen, um die «low-hanging fruits» systematisch zu identifizieren.

4. Prozesskategorien im Überblick: differenziert denken, gezielt priorisieren

Ein pauschaler KI-Ansatz greift zu kurz. Aus unserer Beratungspraxis lassen sich Prozesse im Finanzsektor in vier typische Gruppen einteilen, die sich deutlich in ihrer Ausgestaltung und der Reife für den KI-Einsatz unterscheiden:

5. Von der Analyse zur Umsetzung: Schritt für Schritt zum produktiven KI-Einsatz

5.1 Prozesse zuerst optimieren, dann KI implementieren

Der erste Grundsatz jeder wirksamen KI-Initiative lautet: Technologie folgt dem Prozess – nicht umgekehrt. KI kann nur dort sinnvoll eingesetzt werden, wo Prozesse bereits klar strukturiert, stabil geführt und operativ steuerbar sind. Deshalb steht zu Beginn jeder Initiative die Analyse und, wo nötig, die Optimierung des Zielprozesses: Medienbrüche, unnötige Schleifen, Intransparenz oder fehlende Verantwortlichkeiten müssen zuerst beseitigt werden. Gleichzeitig sollte geprüft werden, ob zeitnah eine grössere Veränderung im Prozessablauf ansteht – etwa neue Regulatorik oder Technologie. Diese würden den Einsatz der KI-Lösung zeitlich begrenzen und die Wirtschaftlichkeit gefährden. Nur optimierte Prozesse sind KI-würdig.

5.2 Prozesslage analysieren: Voraussetzungen und technologische Eignung prüfen

Bevor konkrete Projekte definiert werden, ist eine fundierte Einschätzung erforderlich, ob und in welcher Form der Einsatz von KI überhaupt sinnvoll ist. In bestimmten Fällen lassen sich dieselben Ziele auch mit klassischen Mitteln erreichen – etwa durch solide Schnittstellenarchitekturen, regelbasierte Entscheidungslogiken, Robotic Process Automation oder gezielte Softwareanpassungen. Auch moderne Low-Code- und No-Code-Plattformen bieten vielfältige Möglichkeiten zur Prozessautomatisierung ohne die Komplexität eines KI-Projekts.

Deshalb sollte die Entscheidung für oder gegen KI stets technologieoffen und problemorientiert erfolgen. Die Implementierung eines KI-Modells ist kein einmaliger Entwicklungsschritt, sondern erfordert laufende Pflege, Überwachung und gegebenenfalls Nachjustierung. Diese betrieblichen Anforderungen müssen im Verhältnis zum erwarteten Nutzen stehen.

5.3 Ziele und Kennzahlen definieren, Wirkung konkretisieren

Jede KI-Initiative sollte mit einer klaren Zielsetzung beginnen: Geht es um Effizienzsteigerung, Qualitätsverbesserung, höhere Kundenzufriedenheit oder Entlastung bei regulatorischen Anforderungen? Nur wenn die Zielsetzung konkret formuliert ist, lässt sich später bewerten, ob die angestrebte Wirkung erzielt wurde. Geeignete KPIs können Durchlaufzeiten, Bearbeitungsquoten, Fehlerraten, Rückfragenquoten oder Kundenzufriedenheitswerte sein – erhoben als Nullmessung zu Projektbeginn. Neben der Zieldefinition ist auch die Wirtschaftlichkeit zu prüfen: Entwicklung, Einführung und laufende Pflege des Modells müssen durch den erwarteten Nutzen gerechtfertigt sein.

5.4 Umsetzungslogik wählen: Validate – Enable – Execute

5.5 Erfolgsbedingungen schaffen, Umsetzung absichern

KI-Projekte wirken nur, wenn sie organisatorisch getragen, methodisch gesteuert und diszipliniert umgesetzt werden. Dafür braucht es:

• Ownership auf Fachbereichsseite, nicht nur technische Projektleitung
• Zugängliche, strukturierte Daten, die fachlich verstanden, gepflegt und korrekt sind
• Interdisziplinäre Teams, die Fachlogik, Datenkompetenz und IT verbinden
• Regelmässige Review- und Anpassungsschleifen, die Lernprozesse und die Aktualität der KI sichern

5.6 Typische Fehler vermeiden, Konsequenz durchhalten

Erfolgreiche KI-Initiativen scheitern selten an fehlender Technologie, sondern an Fehlentscheidungen im Prozess:

• KI wird auf unklare, instabile oder unnötig komplexe Prozesse angewendet
• Ziele werden nicht sauber definiert und die Wirkung bleibt unmessbar
• Datenlage wird überschätzt und Modelle bleiben «blind»
• Umsetzung bleibt im Silo und die Skalierung ist nicht möglich
• Hype um KI-Einsatz überwiegt und die Wirtschaftlichkeit wird vernachlässigt
• Ethische Fragen und regulatorische Anforderungen werden nicht bedacht
• Betrieb und Change Management werden nicht ausreichend berücksichtigt

6. Schlusswort: Operative Exzellenz braucht keine Visionen – sondern Konsequenz

KI verändert, wie Unternehmen Prozesse denken, gestalten, verbessern und steuern. Doch sie ist weder ein Selbstläufer noch ein Allheilmittel. Ihre Wirkung entsteht nur dort, wo Struktur, Klarheit und Führung zusammenkommen. Was technisch möglich ist, ist operativ oft irrelevant, wenn Prozesse nicht vorbereitet, Daten nicht nutzbar und Ziele nicht definiert sind.

Die in diesem Whitepaper vorgestellte Systematik zeigt, worauf es bei wirkungsvollen KI-Initiativen ankommt. Im Mittelpunkt steht eine fundierte Priorisierung entlang strategischer Relevanz, Prozessreife und Datenverfügbarkeit. Ergänzend sind ethische und regulatorische Anforderungen zu berücksichtigen – insbesondere bei automatisierten oder personalisierten Entscheidungen.

Es geht nicht darum, möglichst viel zu automatisieren, sondern das Richtige. Nicht darum, neue Technologien einzuführen, sondern vorhandene Strukturen wirksam weiterzuentwickeln. Nur wenn Technologie auf Klarheit trifft, entsteht Fortschritt. Und nur wenn Umsetzung strukturiert erfolgt, wird aus Potenzial tatsächlicher Mehrwert.