Die Finanzdienstleistungsbranche investiert massiv in GenAI – von 35 Milliarden US-Dollar im Jahr 2023 auf voraussichtlich 97 Milliarden US-Dollar bis 2027, wobei die jährlichen Infrastrukturausgaben bis 2030 voraussichtlich 400 Milliarden US-Dollar erreichen werden. Jede große Bank, jeder große Versicherer und jeder große Vermögensverwalter verfügt über eine KI-Strategie, und die meisten führen Dutzende von Pilotprojekten durch.
Und doch kommen die meisten dieser Pilotprojekte nicht voran. Nicht, weil die Modelle schlecht sind, sondern weil die zugrunde liegende Dateninfrastruktur nicht mithalten kann.
Der eigentliche Engpass
Die Weltwirtschaftsforum hat dies in seinem „AI Playbook 2026“ klar benannt: Die zweitwichtigste Investitionspriorität für Finanzinstitute ist „Grundlegende Daten und technische Fähigkeiten.“ Sie stellen fest, dass Unternehmen „den Schwerpunkt auf Datenplattformen der Enterprise-Klasse zu legen und in moderne Datenarchitekturen zu investieren, die die Erfassung in Echtzeit, große Mengen unstrukturierter Daten sowie einen geregelten Zugriff für KI-Modelle und -Agenten unterstützen.“
Das ist eine höfliche Art zu sagen, dass KI keinen geschäftlichen Nutzen bringen kann, wenn sie keinen Zugriff auf Ihre Daten hat.
Finanzinstitute verfügen über einige der umfangreichsten Datenbestände der Welt, darunter jahrzehntelange behördliche Meldungen, Transaktionsaufzeichnungen, Forschungsarchive, Verläufe von Kundeninteraktionen, Anrufaufzeichnungen, Compliance-Dokumente und Marktdaten, die Jahre zurückreichen. All das ist zwar vorhanden, doch das Problem besteht darin, dass diese Daten fragmentiert über Dutzende von Speichersilos verteilt sind, durch „Data Gravity“ eingeschlossen sind und für KI-Anwendungen ohne wochenlange Vorbereitungs- und Replikationsphasen nicht zugänglich sind.
75 % der IT-Projekte erfüllen die Erwartungen nicht, und bei KI-Projekten liegt die Ausfallquote sogar noch höher. Das Muster ist jedes Mal dasselbe: Das Modell funktioniert im Labor, doch sobald es in die Produktion geht, kann es nicht mehr auf die benötigten Daten zugreifen – weder am richtigen Ort noch zum richtigen Zeitpunkt.
Zwei Seiten derselben Medaille
Jeder Anwendungsfall von GenAI im Finanzdienstleistungssektor lässt sich auf zwei Dinge zurückführen: den Datenbestand für das Institut nutzbar zu machen und die KI für den Kunden nutzbar zu machen.
Das sind keine getrennten Probleme, sondern zwei Seiten derselben Medaille. Wenn die Datenschicht stimmt, folgen die KI-Ergebnisse von selbst. Wenn sie nicht stimmt, führen die investierten Milliarden lediglich zu vereinzelten Pilotprojekten statt zu einer unternehmensweiten Transformation.
Die Datenseite: Unternehmensintelligenz
Überlegen Sie einmal, wofür Finanzinstitute KI im Backend tatsächlich benötigen. Compliance-Teams verbringen über 60 % ihrer Zeit allein damit, Informationen zu finden und zusammenzufassen. Deutsche Bank hat „Aggie“ gebaut mit Kodex AI um die Zusammenfassung von Rechtstexten zu bewältigen und die Bearbeitungszeit von Stunden auf Minuten zu verkürzen, während andere Institutionen mithilfe von cloudbasierter GenAI die Zeit für die Erstellung von Verdachtsmeldungen deutlich verkürzt haben. Dabei handelt es sich nicht um Experimente, sondern um Produktionssysteme, die messbare Ergebnisse liefern.
Die Risikomodellierung umfasst Betrugserkennung, Bonitätsbewertung, Klima- und ESG-Analysen sowie Preisgestaltung, und all diese Bereiche erfordern eine kontinuierliche Neu trainierung anhand riesiger unstrukturierter Datensätze. Capital One und JPMorgan haben berichtet, dass sie mit GenAI-gestützten Betrugserkennungssystemen eine deutliche Verringerung der Fehlalarme und verbesserte Erkennungsraten erzielen konnten (IWF), während führende europäische Versicherer bereits Dutzende von KI-Anwendungen im Einsatz haben, die jeden Monat Millionen von API-Aufrufen verarbeiten.
Auch die Forschungsergebnisse bestätigen dies. Morgan Stanley nutzt OpenAI, um Finanzberatern sofortigen Zugriff auf Erkenntnisse zu Unternehmen, Branchen und Anlageklassen zu ermöglichen, die aus den firmeneigenen Daten gewonnen werden. Andere Großbanken berichten von einer Verzehnfachung der Effizienz bei der Neukundenakquise, und Robinhood hat Cortex entwickelt um professionelle Marktinformationen zu Amazon Bedrock bereitzustellen.
Ganz unterschiedliche Anwendungsfälle, doch alle mit derselben Anforderung: Die richtigen unstrukturierten Daten müssen zur richtigen Zeit an die richtige Recheninstanz geliefert werden.
Hier ist die beunruhigende Statistik: Die durchschnittliche GPU-Auslastung in Unternehmen liegt bei nur 5 %. Bevor KI-Aufträge gestartet werden können, müssen Unternehmen oft knappe GPU-Kapazitäten ausfindig machen, diese reservieren und ihre Daten dorthin migrieren, wo diese GPUs verfügbar sind. Die Herausforderung geht über die Verfügbarkeit von GPUs hinaus. Die „Datengravitation“ bindet Daten an bestimmte Standorte, während fragmentierte Speicherstrukturen Teams dazu zwingen, Datensätze zu replizieren und vorzubereiten, bevor KI-Workloads gestartet werden können. Die Folge sind eine höhere betriebliche Komplexität, langsamere KI-Initiativen und höhere Infrastrukturkosten. Es überrascht daher nicht, dass 43 % der Unternehmen steigende Ausgaben für KI-Infrastruktur melden, wobei die Infrastruktur für agentische KI mit 56 % den größten Anstieg verzeichnet.
Die Lösung ist eine einheitliche, leistungsstarke Datenschicht, die alle KI-Workloads aus einem einzigen Namensraum bedient und Compliance-Archive, KYC-Datensätze (Know Your Customer), Forschungskorpora, Marktdaten, Transkripte und firmeneigene Analysen an einem einzigen, leicht zugänglichen Ort zusammenführt – ohne Fragmentierung, ohne teamübergreifende Replikation und ohne Zwischenablage. Ein konstanter Durchsatz sorgt dafür, dass die GPUs kontinuierlich mit Daten versorgt werden, sodass das erneute Training nach dem Zeitplan des Teams und nicht nach dem der Infrastruktur erfolgt.
Wenn die Datenschicht funktioniert, können Compliance-Analysten sich vom Abrufen von Daten auf die Untersuchung konzentrieren, Datenwissenschaftler vom Warten auf die iterative Bearbeitung umsteigen, Forschungsteams vom Aufbereiten von Daten auf die Gewinnung von Markterkenntnissen übergehen und die Beschaffung von GPUs wird zu einer Frage der Planung statt zu einem Datenmigrationsprojekt.
Die Erlebnisseite: Kundenbindung
Die Erwartungen der Kunden haben sich nachhaltig verändert. Weltweit wünschen sich 71 % der Bankkunden einen KI-Assistenten in ihrer Banking-App, wobei 82 % die Maßnahmen der Mitarbeiter vor der Ausführung genehmigen möchten. Die Kluft zwischen den Erwartungen der Kunden und dem, was die Finanzinstitute bieten, vergrößert sich von Quartal zu Quartal.
Einige Banken haben diesen Schritt bereits vollzogen. ABN AMRO wird jährlich über 2 Millionen Text- und 1,5 Millionen Sprachgespräche über KI-Agenten abgewickelt, wobei mehr als 50 % davon vollständig automatisiert sind. Andere führende Banken berichten von deutlichen Steigerungen beim Kundenengagement und bei Sparanträgen durch KI-gestützte Personalisierung, während der Zeitaufwand für die Datenerfassung in Callcentern branchenweit drastisch gesunken ist.
Die Herausforderung besteht jedoch nicht darin, den KI-Agenten zu entwickeln. Er erhält Zugriff auf alles, was er benötigt, um eine Anfrage in Echtzeit zu bearbeiten – darunter Anrufaufzeichnungen, Gesprächsprotokolle, Kontounterlagen, E-Mails, Transaktionsverläufe, frühere Interaktionen, Produktbestände und Beschwerdeaufzeichnungen.
Ein fragmentierter Speicher bedeutet, dass die Agenten nur einen Teil des Kontexts erhalten; ein unvollständiger Kontext bedeutet eine Eskalation an menschliche Mitarbeiter, und eine Eskalation bedeutet, dass die Automatisierungsquote von 50 % auf einstellige Werte sinkt.
Multinationale Banken sehen sich mit einer zusätzlichen Komplexitätsebene konfrontiert, da Kundendaten in jeder Rechtsordnung souverän bleiben müssen, während KI-Dienste einen einheitlichen Zugriff über alle Regionen hinweg erfordern – unter Berücksichtigung der DSGVO in Europa, der DORA zur operativen Widerstandsfähigkeit, des PCI-DSS für den Zahlungsverkehr sowie lokaler Gesetze zur Datenresidenz. Herkömmliche Speicherarchitekturen können diese Anforderungen nicht erfüllen, ohne Daten in separate Silos pro Region zu replizieren, und diese Replikation zerstört die einheitliche Sicht, die der KI-Agent benötigt, um dem Kunden tatsächlich helfen zu können.
Die Antwort ist dieselbe wie beim Anwendungsfall „Corpus“: eine einzige Datenschicht, die pro Rechtsraum eigenständig verwaltet wird und von jedem KI-Dienst in jeder Region in Echtzeit abrufbar ist, wobei den Mitarbeitern die vollständigen Kundenhistorien ohne Vorabaufbereitung, ohne Duplizierung zwischen den Kanälen und ohne Abstriche bei der Compliance zur Verfügung stehen.
Wenn das System funktioniert, bearbeiten Agenten die Anfragen, anstatt dass Menschen die Warteschlangen sortieren, und die Unternehmen bieten das personalisierte, sofortige Erlebnis, das Kunden erwarten, und gewährleisten gleichzeitig die vollständige Einhaltung der gesetzlichen Vorschriften in allen Rechtsräumen, in denen sie tätig sind.
Der rote Faden
Jeder Anwendungsfall von GenAI im Finanzdienstleistungssektor hängt davon ab, dass unstrukturierte Daten zum richtigen Zeitpunkt, am richtigen Ort und unter Einhaltung der richtigen Governance für die Berechnung bereitgestellt werden. Das Modell ist niemals der Engpass. Die Dateninfrastruktur ist es.
Genau hier bringt Qumulo neue Impulse ins Spiel.
Qumulo bietet eine einheitliche Datenplattform, die On-Premise-, Edge- und Cloud-Umgebungen umfasst und KI-Anwendungen über einen einzigen globalen Namensraum kontrollierten Zugriff auf unstrukturierte Daten ermöglicht. Cloud Data Fabric beseitigt fragmentierte Speichersilos, während Cloud Native Qumulo Unternehmensdateidienste in die Cloud erweitert – mit der für KI erforderlichen Skalierbarkeit und Leistung.
Was die Daten angeht, ermöglichen Qumulo CloudBridging und GPU Liquidity Unternehmen, Unternehmensdaten schnell für verfügbare Cloud-GPU-Kapazitäten zugänglich zu machen, ohne zusätzliche Kopien erstellen oder umfangreiche Migrationsprojekte durchführen zu müssen. Cloud Data Fabric sorgt für eine einheitliche Ansicht verteilter Daten, während NeuralCache aktive Datensätze in der Nähe der Rechenressourcen hält, wodurch das Modelltraining und die Inferenz beschleunigt werden und Unternehmen ihre GPU-Ressourcen besser nutzen können.
Im Bereich der Kundeninteraktion bietet dieselbe Plattform KI-Agenten sicheren Echtzeit-Zugriff auf den vollständigen Kundenkontext über alle Kanäle und Rechtsräume hinweg, ohne dass Daten in regionale Silos dupliziert werden müssen. Finanzinstitute können so personalisierte Kundenerlebnisse bieten und gleichzeitig die Datenhoheit, die Einhaltung gesetzlicher Vorschriften sowie eine einheitliche operative Sicht auf die Unternehmensdaten gewährleisten.
Im Mittelpunkt steht dabei die Sicherheit. NeuralProtect trägt zum Schutz der Daten bereits beim Speichern bei, stärkt die Cyber-Resilienz und gewährleistet die Integrität der Daten, auf die sich die KI stützt. Das Ergebnis ist eine einheitliche Plattform, die es Finanzinstituten ermöglicht, KI vertrauensvoll sowohl im internen Bereich als auch in kundenorientierten Anwendungen einzusetzen.
Die Unternehmen, die dies richtig umsetzen, werden KI nicht nur einsetzen, sondern in großem Maßstab, in allen Geschäftsbereichen, in allen Regionen und in jeder Cloud. Diejenigen, die dies nicht tun, werden weiterhin Pilotprojekte durchführen, die es nie ganz bis in die Produktion schaffen.
Bis 2027 werden 97 Milliarden Dollar in den Bereich der Finanz-KI fließen. Die Frage ist nicht, ob Ihr Unternehmen diese Mittel ausgeben wird, sondern ob Sie über die erforderliche Dateninfrastruktur verfügen, um das Beste daraus zu machen.
Tom Tasker ist Principal Cloud Solutions Architect bei Qumulo und konzentriert sich auf Cloud-Datensicherheit und Ransomware-Resilienz für Finanzdienstleister und regulierte Branchen in den Regionen EMEA und APJ. Er ist Mitautor des Beitrags im AWS Storage Blog Resilienz durch konzeptionelle Gestaltung: Entwicklung einer wirksamen Strategie zur Wiederherstellung nach einem Ransomware-Angriff sowie Vorlesungen an der Loughborough University zum Thema „Moderne Datenarchitektur“.