Der Erfolg von KI im Banking hängt von der Qualität der bestehenden Daten- und Systemlandschaften ab. Diese These vertritt Barnali Pal Sinha in einem aktuellen Beitrag für Global Banking & Finance Review. Banken könnten leistungsfähige KI-Modelle einsetzen und entsprechende Anwendungen entwickeln. Ihre Möglichkeiten blieben jedoch davon abhängig, ob die zugrunde liegenden Systeme vollständige, aktuelle und kontrollierte Daten bereitstellen könnten.
Die Autorin verweist dabei auf eine im März 2026 veröffentlichte Analyse des Financial Stability Institute (FSI) der Bank für Internationalen Zahlungsausgleich (BIS). Darin werden Herausforderungen beim Datenmanagement als wesentliches Hindernis für eine breitere Nutzung fortgeschrittener KI im Finanzsektor beschrieben. Mit dem Einsatz von KI in zentralen Prozessen gewännen Datenqualität, Datenschutz und Sicherheit zusätzlich an Bedeutung.
Historisch gewachsene Datenlandschaften
Besonders große Banken verfügten häufig über komplexe, über Jahrzehnte entstandene IT-Landschaften. Fusionen hätten parallele Kundenbestände geschaffen, neue Produkte zusätzliche Datenbanken hervorgebracht und regulatorische Anforderungen zu weiteren Strukturen geführt. Geschäftskritische Prozesse würden weiterhein auf Mainframes betrieben, während im Laufe der Zeit zahlreiche Schnittstellen und Abhängigkeiten hinzugekommen seien.
Sinha verweist in diesem Zusammenhang auf den Baseler Ausschuss für Bankenaufsicht. Dessen Bestandsaufnahme zur Umsetzung von BCBS 239 vom Januar 2026 nennt Legacy-Systeme, verteilte Datenlandschaften und die zunehmende Komplexität der Data Lineage als anhaltende Herausforderungen. Für KI-Anwendungen sei diese Nachvollziehbarkeit besonders relevant, weil Banken Herkunft, Aktualität und Verarbeitung der verwendeten Informationen nachvollziehen können müssten.
Die Autorin leitet daraus eine weitergehende These ab: BCBS 239 entwickle sich faktisch zu einem Test für die KI-Bereitschaft von Banken. Anforderungen an verlässliche, vollständige und zeitnah verfügbare Risikodaten seien zugleich wichtige Voraussetzungen für den Einsatz von KI in relevanten Bankprozessen.
Was ist BCBS 239?
BCBS 239 bezeichnet die 2013 veröffentlichten Grundsätze des Baseler Ausschusses für Bankenaufsicht zur effektiven Aggregation von Risikodaten und Risikoberichterstattung. Der Standard umfasst 14 Prinzipien zu Themen wie Governance, Datenarchitektur und IT-Infrastruktur sowie Risikodatenaggregation und Reporting. Für bereits 2012 als global systemrelevant eingestufte Banken (G-SIBs) galten die Anforderungen ab 2016. Später eingestufte G-SIBs sollen sie innerhalb von drei Jahren erfüllen. Auch für national systemrelevante Banken (D-SIBs) wird eine Anwendung empfohlen.
Modernisierung umfasst mehr als Cloud-Migration
Auch die Verlagerung in die Cloud löse bestehende Datenprobleme nach Einschätzung Sinhas nicht automatisch. Fragmentierte Datenbestände könnten auf einer modernen Infrastruktur weiterhin fragmentiert bleiben.
Als Beispiel für einen umfassenderen Ansatz nennt der Beitrag die Deutsche Bank. Das Institut habe seine 2019 begonnene technologische Transformation vor dem Hintergrund einer fragmentierten IT-Landschaft mit Doppelstrukturen und einer starken Abhängigkeit von externen Dienstleistern gestartet. Die Bank verbinde den Ausbau eigener Engineering-Kompetenzen mit Cloud-Nutzung und einer Vereinfachung ihrer Systemlandschaft.
Für den Umgang mit bestehenden Systemen hält Sinha eine schrittweise Entkopplung für einen gangbaren Weg. Dazu zählt sie die Identifikation maßgeblicher Datenquellen, kontrollierte Schnittstellen, einheitlichere Definitionen, automatisierte Data Lineage und den sukzessiven Abbau redundanter Datenbestände. Ein vollständiger Austausch von Kernsystemen in einem Schritt könne dagegen bestehende Schnittstellen, historische Daten, Abstimmungsprozesse und Kontrollen gefährden.
KI erhöht den Wert guter Daten
KI könne gleichzeitig bei Modernisierungsaufgaben unterstützen. Sinha nennt unter anderem die Auswertung unstrukturierter Dokumente, das Mapping unterschiedlicher Datenschemata, Codegenerierung und die Abstimmung inkonsistenter Bezeichnungen. Auch der Zugriff auf ältere Informationsbestände könne durch KI erleichtert werden.
Damit verändere sich laut dem Beitrag auch die wirtschaftliche Bedeutung von Investitionen in Datenqualität. Gut aufbereitete und kontrollierte Daten könnten gleichzeitig Anwendungen in Betrugserkennung, Kundenservice, Compliance, Treasury, Kreditvergabe oder Softwareentwicklung unterstützen.
Sinha kommt daher zu dem Schluss, dass sich ein nachhaltiger Wettbewerbsvorteil beim Einsatz von KI im Banking vor allem aus dem Umgang mit den eigenen Datenbeständen ergeben könnte. Leistungsfähige Modelle würden zunehmend breit verfügbar. Die Fähigkeit, institutionelle Daten zuverlässig, nachvollziehbar und sicher für diese Modelle bereitzustellen, werde damit zu einem entscheidenden Faktor. (td)
