400.000 Prompts pro Tag: Was die KI-Zwischenbilanz der Großbanken für den Regelbetrieb bedeutet

Lange galt: Banken experimentieren mit künstlicher Intelligenz, aber in den Regelbetrieb schafft es wenig. Die Quartalsberichte und Ankündigungen dieses Sommers zeichnen ein anderes Bild. Auf dem Analystencall zum zweiten Quartal 2026 am 14. Juli nannte Bank-of-America-Chef Brian Moynihan Zahlen, die aufhorchen lassen: Mehr als 200.000 Beschäftigte des Instituts arbeiten mit KI-Werkzeugen und erzeugen über 400.000 Prompts pro Tag. Mehr als 300 KI-Anwendungsfälle sind intern freigegeben, darunter über 100 auf Basis generativer KI; einige Dutzend davon sind bereits vollständig ausgerollt. Kurz zuvor, Mitte Juni, hatten HSBC und Google Cloud eine mehrjährige Partnerschaft angekündigt, die in den nächsten zwei Jahren mehr als 200 neue KI-Anwendungsfälle ermöglichen und einen Nutzen von über 100 Millionen US-Dollar bringen soll. Und BBVA meldete gemeinsam mit Visa die erste von einem KI-Agenten ausgelöste Zahlung in Europa. Der Übergang vom Piloten zum Produktionsbetrieb ist bei den Großen keine Absichtserklärung mehr — er findet statt.

Was die Zahlen tatsächlich aussagen

Bemerkenswert an den Aussagen der Bank of America ist weniger die schiere Größe als die Struktur dahinter. Das Institut spricht nicht von einem allgemeinen „KI-Rollout", sondern von einem gepflegten Bestand freigegebener Anwendungsfälle — jeder einzelne geprüft, priorisiert und mit einem wirtschaftlichen Nutzenversprechen versehen. Moynihan betonte, alle freigegebenen Anwendungsfälle hätten „gute Ökonomie": Berater bereiten Kundengespräche schneller vor, weil Recherche und Präsentationsunterlagen automatisiert erstellt werden; Entwicklerteams nutzen Coding-Assistenten; Service-Einheiten arbeiten mit agentischen Workflows.

Ähnlich strukturiert wirkt der Ansatz von HSBC: Die Partnerschaft mit Google Cloud und den Engineering-Teams von Google DeepMind beginnt bewusst mit wenigen Schwerpunkten — hochgradig personalisierte Vermögensberatung und die frühere Erkennung von Finanzkriminalität — und baut auf einer bestehenden Basis von mehreren hundert Anwendungen auf, die bereits in der Cloud laufen. Auch hier gilt: erst Priorisierung und Infrastruktur, dann Skalierung.

Die Botschaft hinter beiden Meldungen: Der Unterschied zwischen Experiment und Regelbetrieb liegt nicht im Modellzugang. Leistungsfähige Modelle kann heute jedes Institut einkaufen. Er liegt in der Governance der Anwendungsfälle, in der Datenbasis und in der Fähigkeit, Nutzen messbar zu machen.

Der Regelbetrieb hat drei Voraussetzungen

Aus den Berichten der Vorreiter lassen sich drei wiederkehrende Muster ablesen:

• Ein bewirtschaftetes Use-Case-Portfolio. Freigabeprozesse, ein zentrales Inventar und klare Nutzenrechnungen pro Anwendungsfall. Das klingt bürokratisch, ist aber die Grundlage dafür, dass aus Hunderten Ideen die richtigen Dutzend in Produktion gehen — und dass die Aufsicht jederzeit nachvollziehen kann, was wo im Einsatz ist.

• Eine belastbare Datenbasis. Personalisierte Beratung, Betrugserkennung und agentische Workflows greifen alle auf dieselbe Ressource zu: aktuelle, verknüpfte, qualitätsgesicherte Kundendaten. Institute, deren Kundendaten über Silos verteilt sind, können einzelne Piloten bauen — aber keinen Regelbetrieb.

• Breite Befähigung statt Insellösungen. 400.000 Prompts pro Tag entstehen nicht in einem Innovation Lab, sondern wenn die gesamte Belegschaft Werkzeuge, Leitplanken und Schulung erhält. Die Produktivitätswirkung kommt aus der Fläche.

Warum das kein reines Großbanken-Thema ist

Man könnte einwenden: Mit den Budgets von Bank of America oder HSBC lässt sich vieles industrialisieren. Doch die Logik gilt unabhängig von der Größe — sie verschiebt sich nur. Mittelgroße Institute müssen nicht 300 Anwendungsfälle betreiben. Sie brauchen die wenigen, die im eigenen Geschäftsmodell den größten Hebel haben — im Privatkundengeschäft typischerweise entlang des Kundenlebenszyklus: Ansprache zum richtigen Zeitpunkt, relevante Produktempfehlungen, Früherkennung von Abwanderung, automatisierte Folgeprozesse im Service.

Gerade hier ist der Abstand zwischen Pilot und Produktion oft kleiner als gedacht, wenn die Datenfrage gelöst ist. Eine Segmentierung, die auf tagesaktuellen Transaktions- und Interaktionsdaten basiert, trägt mehrere Anwendungsfälle gleichzeitig — von der Kampagnensteuerung bis zur Churn-Prävention. Umgekehrt bleibt jedes noch so gute Modell wirkungslos, wenn es auf veralteten oder unvollständigen Daten arbeitet.

Woran Skalierung in der Praxis scheitert

Die Erfahrung aus Projekten der vergangenen Jahre zeigt: Es sind selten die Modelle, an denen der Schritt in den Regelbetrieb scheitert. Drei Stolpersteine tauchen immer wieder auf:

• Der Pilot beweist das Falsche. Viele Pilotprojekte zeigen, dass ein Modell funktioniert — aber nicht, dass es sich in bestehende Prozesse, Systeme und Verantwortlichkeiten einfügt. Ein Prototyp auf einem Datenexport ist etwas anderes als ein Dienst, der täglich in die Kampagnensteuerung oder die Beratung eingebunden ist.

• Niemand besitzt den Anwendungsfall. Wenn Fachbereich, IT und Datenteam sich die Verantwortung teilen, ohne dass eine Stelle Nutzen, Betrieb und Weiterentwicklung verantwortet, bleibt der Fall nach dem Piloten liegen. Die Vorreiter lösen das mit klaren Eigentümerschaften pro Anwendungsfall.

• Erfolg wird nicht gemessen. Ohne definierte Kennzahlen — Konversion, eingesparte Bearbeitungszeit, verhinderte Abwanderung — lässt sich weder priorisieren noch der Ausbau begründen. Was die Großbanken vormachen, ist im Kern konsequentes Nutzencontrolling.

Die regulatorische Flanke mitdenken

Der Schritt in den Regelbetrieb fällt in eine Phase, in der die Aufsicht ihre Erwartungen präzisiert. Die Transparenzpflichten des AI Act nach Artikel 50 gelten ab dem 2. August 2026 — wer KI im Kundenkontakt einsetzt, muss das offenlegen. Die EZB verlangt von bedeutenden Instituten bis Ende Oktober Aktionspläne gegen KI-gestützte Cyberangriffe. Und die verschobenen Hochrisiko-Pflichten für Anwendungen wie Kreditscoring kommen ab Dezember 2027 zurück auf die Agenda. Wer jetzt Produktionsstrukturen aufbaut — Inventar, Freigaben, Dokumentation, Datenqualität — erfüllt damit zugleich einen großen Teil dessen, was die Regulierung ohnehin verlangen wird. Governance ist hier kein Bremsklotz, sondern die Eintrittskarte in die Skalierung.

Fazit

Die Sommermeldungen von Bank of America, HSBC und BBVA markieren einen Reifegrad-Sprung: KI im Banking ist 2026 keine Sammlung von Piloten mehr, sondern wird zum Betriebsmodell. Die Vorreiter zeigen, worauf es ankommt — bewirtschaftete Anwendungsfälle, eine tragfähige Datenbasis und Befähigung in der Fläche. Für alle anderen Institute ist das weniger eine Frage des Budgets als der Reihenfolge: erst die Kundendaten konsolidieren und die wertvollsten Anwendungsfälle entlang des Kundenlebenszyklus priorisieren, dann skalieren. Die Werkzeuge dafür sind verfügbar. Der Wettbewerbsvorsprung entsteht gerade jetzt — bei denen, die anfangen.