KI-Nachfrage: Folgen für Enterprise Software und Banken

Giovanni Cattani stellt in seinem Essay „Nobody is talking seriously about AI demand“ eine unbequeme Frage: Woher soll die enorme Nachfrage nach KI-Rechenleistung eigentlich kommen? Seine Antwort unterscheidet zwischen begrenzten Aufgaben, die irgendwann erledigt sind, und unbegrenzten Aufgaben, bei denen bessere Ergebnisse sofort neue Möglichkeiten eröffnen.

Das ist mehr als eine Prognose für Rechenzentren. Es ist eine These darüber, welche Enterprise Software an Wert verliert, welche Software unverzichtbar bleibt und welche neue Schicht Banken jetzt aufbauen müssen.

Unser Twist: Intelligenz kann unbegrenzt sein. Handlungsvollmacht darf es nicht sein.

Tokens sind nicht die Strategie

Cattani betrachtet Tokens als Einheiten delegierter Arbeitszeit. Bei begrenzten Aufgaben wie einer Steuererklärung, einer Standardauswertung oder einer einfachen Benutzeroberfläche ist der gewünschte Output definiert. Sobald ein ausreichend gutes Modell die Aufgabe zuverlässig löst, wandert die Nachfrage zum günstigsten geeigneten Modell.

Bei unbegrenzten Aufgaben ist das anders. Softwareentwicklung, Forschung oder Handel haben kein natürliches Ende. Mehr und bessere Arbeit kann zusätzliche Erkenntnis, Geschwindigkeit oder Umsatz erzeugen. Deshalb vermutet Cattani, dass ein erheblicher Teil der Nachfrage nach Frontier-Modellen aus wenigen, langen und offenen Tätigkeitsfeldern stammt. Seine konkreten Anteile sind ausdrücklich Schätzungen, keine gemessenen Marktdaten.

Die zugrunde liegende Entwicklung ist dennoch relevant. METR misst, für welche Aufgabendauer KI-Agenten mit einer bestimmten Zuverlässigkeit erfolgreich sind. Diese „Time Horizon“ wird anhand der menschlichen Bearbeitungszeit einer Aufgabe definiert, nicht anhand der tatsächlichen Laufzeit des Agenten. Die Tests basieren vor allem auf klar spezifizierten Aufgaben aus Softwareentwicklung, Machine Learning und Cybersecurity. Das ist ein wichtiger Fortschrittsindikator, aber noch kein Beweis für autonome Arbeit in beliebigen Unternehmensprozessen.

Die von Cattani verwendete METR-Grafik zeigt den 80%-Zeithorizont verschiedener Modelle. Die vertikale Achse misst, wie lange ein Mensch typischerweise für die entsprechende Softwareaufgabe benötigt. Sie zeigt nicht, wie viel Prozent der gesamten menschlichen Arbeit bereits ersetzt werden. Quelle: Giovanni Cattani auf X, basierend auf METR Time Horizons.

Für Unternehmen folgt daraus: Es reicht nicht, immer mehr Tokens einzukaufen. Sie müssen wissen, wo zusätzliche Intelligenz einen Grenzertrag erzeugt und wo sie nur eine bereits standardisierte Aufgabe verteuert.

Enterprise Software verschwindet nicht. Ihr Wert verschiebt sich

Die einfache AI-These lautet häufig: Agenten ersetzen Anwendungen. Das greift zu kurz. Die wichtigere Trennlinie verläuft künftig zwischen drei Softwareebenen.

Erstens: Commodity Execution. Standardisierte Texte, Zusammenfassungen, Klassifizierungen, einfache Codeänderungen und klar umrissene Workflows werden von immer günstigeren Modellen erledigt. Hier erodieren Feature- und Seat-basierte Margen. Ein Anbieter kann für eine austauschbare Funktion kaum dauerhaft Frontier-Preise verlangen.

Zweitens: Systems of Record and Control. Konten, Verträge, Identitäten, Berechtigungen, Einwilligungen, Richtlinien, Buchungen und Audit Trails verschwinden nicht. Je mehr Agenten handeln, desto wichtiger wird eine deterministische Wahrheit darüber, was gültig, erlaubt und tatsächlich geschehen ist.

Drittens: Intelligence Allocation. Neu entsteht eine Steuerungsschicht, die für jede Aufgabe entscheidet: Welcher Kontext ist zulässig? Welches Modell ist ausreichend? Wie viel Rechenaufwand ist wirtschaftlich? Welche Aktion darf automatisch ausgeführt werden? Wann muss ein Mensch übernehmen? Und wie fließt das Ergebnis zurück in den nächsten Entscheidungszyklus?

Das ist der neue strategische Ort in Enterprise Software. Nicht das größte Modell gewinnt automatisch, sondern das System, das Intelligenz, Kontext, Kosten, Risiko und Handlungsvollmacht besser zusammenführt.

Für Banken entsteht ein asymmetrisches Portfolio

Banken haben besonders viele begrenzte, wiederkehrende und regulierte Aufgaben: Dokumente prüfen, Servicefälle klassifizieren, Informationen extrahieren, Standardkommunikation erstellen, Kontrollen vorbereiten oder Vorgänge abgleichen. Dafür ist das teuerste Frontier-Modell oft weder notwendig noch wirtschaftlich. Kleine, spezialisierte oder offene Modelle können ausreichen, sofern Qualität und Betrieb kontrolliert werden.

Daneben gibt es Aufgaben mit offenem Suchraum: sich verändernde Betrugsmuster erkennen, Kundenbedürfnisse über den Lebenszyklus verstehen, Angebote und Kanäle optimieren, komplexe Software modernisieren oder Szenarien für neue Produkte simulieren. Hier kann zusätzliche Modellqualität echten Wert schaffen, weil die nächste bessere Antwort noch nicht im Prozesshandbuch steht.

Die entscheidende Fähigkeit ist deshalb kein einheitlicher „AI Stack“, der jede Aufgabe gleich behandelt. Banken brauchen ein Portfolio:

Der Bank-Twist: unbegrenztes Denken, begrenztes Handeln

Hier unterscheidet sich Banking fundamental von vielen digitalen Märkten. Eine KI darf Hypothesen in großer Zahl erzeugen, Szenarien durchspielen und nach besseren Optionen suchen. Sie darf daraus aber nicht automatisch jede Kundenaktion, Preisentscheidung oder Transaktion ausführen.

Die globale Finanzaufsicht diskutiert deshalb konkrete Grenzen. Reuters berichtete im Juni 2026 über Vorschläge des Financial Stability Board: Finanzunternehmen sollen klare Einsatzgrenzen definieren und für risikoreiche Aktionen, etwa Transaktionen oberhalb bestimmter Schwellen, menschliche Freigaben vorsehen. Deloitte empfiehlt unter anderem Agentenregister, risikobasierte Kontrollen, eindeutige Identitäten, lückenlose Protokollierung und laufende Berechtigungsprüfungen.

Damit wird Governance nicht zum nachgelagerten Compliance-Dokument. Sie wird Teil der Laufzeitarchitektur.

Für jede vorgeschlagene Aktion muss die Bank beantworten können:

1. Welcher Kunde, welches Konto und welcher Zweck sind betroffen?

2. Welche Daten, Einwilligungen und Richtlinien waren gültig?

3. Welches Modell und welche Version haben den Vorschlag erzeugt?

4. Welche Autoritätsgrenze galt?

5. Wer oder welches Kontrollsystem hat die Ausführung freigegeben?

6. Welches Ergebnis trat ein und was darf daraus gelernt werden?

Die wertvollste KI-Plattform einer Bank ist deshalb nicht die mit den meisten Tokens. Es ist das Betriebssystem für die Allokation von Intelligenz.

Was das für die Softwarestrategie bedeutet

McKinsey argumentiert, dass Banken für skalierbaren KI-Wert mehr als Modelle benötigen: eine Architektur für Engagement, Entscheidungen, Daten und Kerntechnologie sowie ein angepasstes Operating Model. Santander beschreibt sein Ziel sogar als „AI-native“ Bank, in der Entscheidungen, Prozesse und Interaktionen durch Daten und intelligente Technologie unterstützt werden (Santander).

Die praktische Konsequenz ist jedoch nicht, bestehende Systeme durch ein einziges KI-System zu ersetzen. Banken sollten vier Investitionsfragen stellen:

• Commodity zuerst: Wo genügt das günstigste nachweislich geeignete Modell?

• Frontier selektiv: Wo erzeugt zusätzliche Intelligenz messbar bessere Entscheidungen, schnellere Entwicklung oder neue Erträge?

• Kontrolle dauerhaft: Welche Daten-, Policy-, Identitäts- und Audit-Systeme müssen modellunabhängig bleiben?

• Lernen geschlossen: Wie werden Ergebnisse zurückgeführt, ohne ungeprüft Regeln oder Modelle zu verändern?

Hier liegt auch die Rolle von Acceleraid. Nicht als Ersatz für Core Banking, Kreditentscheidung oder regulatorische Verantwortung. Sondern als compliance-sichere Brücke zwischen Kunden- und Transaktionsdaten und KI: Sie stellt zulässigen Kontext bereit, übersetzt Signale in kontrollierte Prozesse über Marketing, Vertrieb und Service, setzt Freigabe- und Eskalationsgrenzen und hält Ergebnis sowie Entscheidungspfad nachvollziehbar.

Cattanis Essay beginnt mit der Nachfrage nach Tokens. Für Banken endet die Frage an einer anderen Stelle: Wer entscheidet, welche Intelligenz für welchen Zweck eingesetzt wird und wie viel Autorität sie erhält?

Fünf Punkte zum Mitnehmen

1. Begrenzte KI-Aufgaben werden zur Commodity; hier zählen ausreichende Qualität und niedrige Kosten.

2. Offene, lange Aufgaben können Frontier-Modelle rechtfertigen, wenn zusätzliche Intelligenz messbaren Wert erzeugt.

3. Systems of Record, Berechtigungen, Richtlinien und Audit Trails gewinnen mit zunehmender Agentennutzung an Bedeutung.

4. Banken müssen unbeschränkte Exploration von beschränkter Handlungsvollmacht technisch trennen.

5. Der strategische Vorteil liegt in der besseren Allokation von Intelligenz, nicht im maximalen Tokenverbrauch.

Illustration: KI-generiert. KI-gestützte Inhalte: Bei der Erstellung unserer Beiträge setzen wir KI-Technologien und automatisierte Agenten ein, unter anderem von Microsoft, Google, OpenAI, Anthropic und weiteren Anbietern. Themen, fachliche Ausrichtung und finale Freigabe liegen bei unserem Team.