AI im Banking | Customer Brain 5/5: Das Reifegradmodell

AI im Banking · Customer-Brain-Serie · Teil 5 von 5

Viele Systeme werden heute als „Brain“ bezeichnet, sobald ein Sprachmodell auf Unternehmensdokumente zugreifen kann. Für eine Demo mag das genügen. Für eine Bankarchitektur ist der Begriff zu anspruchsvoll, um ihn mit einer Suchmaske und flüssigen Antworten gleichzusetzen.

Ein Customer Brain muss Kundenkontext nicht nur finden, sondern über Zeit korrekt zuordnen, unter Regeln in Entscheidungen übersetzen und aus beobachtbaren Ergebnissen lernen. Genau dafür schlägt Acceleraid ein achtstufiges redaktionelles Reifegradmodell vor. Es ist kein offizieller Branchenstandard und keine Produktankündigung. Es ist ein Prüfrahmen, der Begriffe trennt, Architekturentscheidungen sichtbar macht und überzogene Versprechen früh erkennt.

Die Schwelle liegt nicht beim LLM

Die ersten sechs Stufen können wertvolle Systeme hervorbringen. Sie verdienen aber noch nicht automatisch den Namen Customer Brain. Die Qualifikationsschwelle liegt in diesem Modell bei Stufe 7: Erst persistentes Shared Context plus Ergebnis-Feedback verbindet Wissen, Entscheidung und Erfahrung auf Kundenebene.

1. LLM + Dokumente = Chatbot. Ein Sprachmodell beantwortet Fragen anhand bereitgestellter Dokumente oder Prompts. Das kann den Zugang zu Wissen verbessern. Ohne systematisches Retrieval, belastbare Identität und persistente Kundenerfahrung bleibt es jedoch ein Chatbot.

2. Vector Retrieval = RAG. Relevante Textpassagen werden über Vektorsuche gefunden und dem Modell als Kontext übergeben. Retrieval-Augmented Generation kann Antworten stärker an freigegebenen Quellen verankern. Es erzeugt aber weder von selbst eine konsistente Kundensicht noch ein Gedächtnis über abgeschlossene Interaktionen.

3. Mehrere Quellen = Enterprise RAG. Das Retrieval umfasst mehrere kontrollierte Quellen, etwa Richtlinien, Produktwissen und Serviceinhalte. Rechte, Aktualität und Quellenangaben werden damit wichtiger. Enterprise RAG ist eine Wissensarchitektur; es ist noch keine kundenbezogene Entscheidungsarchitektur.

4. Identity + Semantik = Context System. Informationen werden einer belastbaren Identität zugeordnet und fachlich unterschieden: Kunde, Konto, Vertrag, Ereignis, Prognose oder Regel. Erst hier wird aus gefundenem Text strukturierter Kontext. Datenschutz bleibt dabei eine Architekturfrage: Der Europäische Datenschutzausschuss stellt klar, dass KI-Modelle mit personenbezogenen Trainingsdaten nicht automatisch als anonym gelten; die Bewertung muss im Einzelfall erfolgen (EDPB, Opinion 28/2024).

5. Persistentes episodisches Memory = AI Memory. Das System kann relevante Episoden über eine einzelne Sitzung hinaus bewahren: welche Frage gestellt, welche Empfehlung gegeben, welche Freigabe erteilt oder welche Ausnahme ausgelöst wurde. Memory ist nicht gleich unbegrenzte Speicherung. Zweck, Aufbewahrung, Berechtigung, Korrektur und Löschung müssen explizit geregelt sein.

6. Agents + Regeln + Tools = Agentic Platform. Agents können begrenzte Aufgaben planen und über freigegebene Tools ausführen. Deterministische Regeln, Rollen, Freigaben und Abbruchpfade begrenzen das Reasoning. Damit entsteht Handlungsfähigkeit, aber noch kein gemeinsam genutztes Kundengedächtnis mit überprüfbarer Wirkung.

7. Shared Context + Outcome Feedback = Customer Brain. Jetzt greifen berechtigte Prozesse auf einen gemeinsamen, persistenten Kundenkontext zu. Eine Aktion wird mit Anlass, Regel, Modellversion und Entscheidung verbunden; die tatsächliche Reaktion fließt als Ergebnis zurück. Das System kann dadurch unterscheiden, was empfohlen, was ausgeführt und was erreicht wurde. Erst diese Verbindung rechtfertigt im Acceleraid-Modell den Namen Customer Brain.

8. Kontrollierte Konsolidierung und Lernen = Learning Customer Brain. Erfahrungen werden nicht nur gespeichert, sondern nach definierten Verfahren verdichtet: Duplikate werden bereinigt, Widersprüche markiert, veraltete Annahmen herabgestuft und freigegebene Erkenntnisse für künftige Entscheidungen nutzbar gemacht. „Lernen“ bedeutet hier ausdrücklich nicht, dass ein System sich unkontrolliert selbst trainiert. Es bedeutet kontrollierte Konsolidierung mit Herkunft, Versionierung, Tests, Freigaben und Rückrollmöglichkeit.

Was mit jeder Stufe wirklich zunimmt

Reife ist nicht die Zahl der Modelle oder Datenquellen. Sie zeigt sich an vier anderen Eigenschaften:

• Kontexttreue: Ist klar, zu wem, zu welchem Zeitpunkt und zu welchem Zweck eine Information gehört?

• Entscheidungskontrolle: Lassen sich Regeln, Ausschlüsse, Freigaben und Modellgrenzen nachvollziehen?

• Ergebnisbezug: Wird eine Empfehlung mit der späteren Kundenreaktion und möglichen Nebenwirkungen verbunden?

• Portabilität: Bleibt der Kundenkontext nutzbar, wenn Modell oder Anbieter wechseln?

Gerade der letzte Punkt ist strategisch. BaFin nennt Vendor Lock-in als Risiko und empfiehlt Instituten unter anderem Multi-Vendor-Strategien; auch getestete Exit-Strategien gehören zu den konkreten Erwartungen an Cloud-Auslagerungen (BaFin, Fokusrisiken 2026, BaFin, Aufsichtsmitteilung zu Cloud-Auslagerungen). Ein öffentliches Praxisbeispiel liefert FITKO: Beim kommunalen 115-Chatbot wurden Cloudplattform und Sprachmodell ausdrücklich austauschbar angelegt (FITKO).

Das Customer Brain gehört der Bank. Modelle können wechseln. Kundenkontext, Entscheidungsregeln und Erfahrungen bleiben.

Diese redaktionelle These verschiebt die Architekturfrage: Das LLM ist eine austauschbare Reasoning-Komponente. Die dauerhafte Unternehmens-IP liegt in sauberer Identität, Semantik, Regeln, episodischer Erfahrung und dokumentiertem Feedback. Michael Altendorf, CEO von Acceleraid, bringt die Umsetzungsperspektive auf den Punkt: „Wir stehen nicht mehr vor einem Forschungsproblem, sondern vor einer Umsetzungs- und Governance-Aufgabe.“ Für ein Customer Brain ist die Datenbasis der Ausgangspunkt, nicht das Endprodukt.

Was Acceleraid heute dokumentiert liefert

Das Modell darf nicht mit einer pauschalen Aussage über den heutigen Produktumfang verwechselt werden. Acceleraid liefert dokumentiert Bausteine einer kontrollierten Customer-Activation-Schicht: die Arbeit mit Kunden- und Transaktionsdaten, Predictive Segments, Next Best Action, Trigger sowie – je Konfiguration – einen modelloffenen AI Assistant mit RAG und PII-Filterung. Damit lassen sich Teile mehrerer Stufen unterstützen.

Acceleraid behauptet jedoch nicht, pauschal alle acht Stufen als ein fertiges Customer-Brain-Produkt bereitzustellen. Insbesondere persistentes rollenübergreifendes Shared Memory, umfassendes Outcome Learning oder eine selbstlernende Bankarchitektur dürfen nur für eine konkret geprüfte Konfiguration zugesagt werden. Die saubere Positionierung lautet deshalb: kontrollierte Aktivierung heute, Customer Brain als Architektur- und Reifegradperspektive.

Eine praktikable Einstiegsroadmap

Erstens: einen Prozess und ein Ergebnis wählen. Starten Sie nicht mit „der gesamten Kundenbeziehung“, sondern etwa mit Kartenaktivierung, Serviceentlastung oder Bindung. Definieren Sie eine fachliche Zielgröße und eine bestehende Vergleichsbasis.

Zweitens: Identität, Zweck und Datenvertrag klären. Legen Sie fest, welche Entitäten, Ereignisse und Quellen benötigt werden, wer sie nutzen darf und wie Aktualität, Consent, Aufbewahrung und Korrektur funktionieren.

Drittens: Decisioning vor Autonomie. Trennen Sie Prognosen, deterministische Regeln und generative Begründungen. Definieren Sie erlaubte Aktionen, Kontaktgrenzen, Freigaben, menschliche Übergabe und Stop-Kriterien.

Viertens: Episoden und Outcomes protokollieren. Speichern Sie nicht nur Prompts und Antworten. Verbinden Sie Anlass, verwendeten Kontext, Regel- und Modellversion, Entscheidung, Ausführung sowie beobachtetes Ergebnis.

Fünftens: erst dann Shared Context erweitern. Wenn ein abgegrenzter Prozess belastbar arbeitet, kann der Kontext für weitere Kanäle oder Agents geöffnet werden. Jede Erweiterung braucht neue Berechtigungs-, Qualitäts- und Wirkungstests.

Qualifikationsfragen für Anbieter und interne Teams

1. Welche Kundenidentität ist führend, und wie werden Konflikte zwischen Quellen gelöst?

2. Welche Informationen bleiben über eine Sitzung hinaus erhalten – mit welchem Zweck und welcher Löschlogik?

3. Sind Fakten, Prognosen, Regeln, generierte Inhalte und Erfahrungen technisch unterscheidbar?

4. Welche Agents oder Kanäle teilen Kontext, und welche dürfen ihn ausdrücklich nicht sehen?

5. Wie wird eine Empfehlung mit Ausführung, Kundenreaktion und Nebenwirkung verknüpft?

6. Wer darf Regeln, Modelle oder Memory-Einträge ändern, freigeben und zurückrollen?

7. Kann ein Modell gewechselt werden, ohne Kundenkontext und Entscheidungshistorie zu verlieren?

8. Welche konkrete Evidenz rechtfertigt die Bezeichnung Customer Brain statt RAG, Context System oder Agentic Platform?

Die Serie hat diese Schwelle schrittweise vorbereitet: Teil 1 trennt Customer 360 vom Customer Brain, Teil 2 beschreibt die Architekturbausteine, Teil 3 ordnet Bankdaten, Bedeutung und Grenzen, und Teil 4 zeigt den Weg vom statischen Churn Score zum Retention Loop. Teil 5 liefert dafür den begrifflichen Prüfmaßstab: Ein Customer Brain beginnt nicht bei der Eloquenz eines Modells, sondern bei dauerhaftem, geteiltem und kontrolliert rückgekoppeltem Kundenkontext.

Die vollständige Customer-Brain-Serie

Leitartikel: Die Customer-Brain-Roadmap · Teil 1: Customer 360 reicht nicht · Teil 2: Architektur · Teil 3: Daten und Governance · Teil 4: Retention Loop · Teil 5: Reifegradmodell

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.