AI-Personalisierungsplattform für Banken: Worauf es bei der Auswahl ankommt

Diese Serie ergänzt unsere Next-Best-Action-Reihe um die Anbieterperspektive: Wer eine AI-Personalisierungsplattform für Banken einführt, muss vor der Kaufentscheidung wissen, welche Fähigkeiten wirklich zählen. Wie die eigentliche Entscheidungslogik hinter der Ausspielung funktioniert, haben wir im Artikel „Wie eine Next-Best-Action-Engine entscheidet" beschrieben — hier geht es darum, wie sich diese Fähigkeit bei einem Anbieter überhaupt verifizieren lässt.

Warum die Auswahl schwieriger ist als der Feature-Vergleich

Eine AI-Personalisierungsplattform für Banken lässt sich nicht anhand einer Featureliste beurteilen, weil fast jeder Anbieter dieselben Schlagworte führt: Echtzeit, KI-gestützt, Omnichannel. Der eigentliche Unterschied liegt in der Tiefe der Umsetzung — und die zeigt sich erst, wenn man konkret nachfragt. Der Reifegrad in der Branche macht das Problem sichtbar: Nur 8 % der Banken können prädiktive ML-Insights überhaupt auf Kampagnen anwenden, nur 28 % integrieren interne strukturierte Kundendaten schnell genug in KI-Modelle, und nur 9 % verfügen über eine vollständige ML-Modell-Suite für jeden Touchpoint (McKinsey, 19.07.2022). Diese Lücke zwischen Anspruch und Praxis ist genau der Raum, in dem sich Anbieter mit Marketing-Behauptungen von Anbietern mit belastbarer Umsetzung unterscheiden lassen — vorausgesetzt, man stellt die richtigen Fragen.

Kurz gesagt: Eine belastbare AI-Personalisierungsplattform für Banken lässt sich an fünf Fähigkeitsdimensionen prüfen — Datenzugriff in Echtzeit, Modellbreite über alle Touchpoints, Decisioning-Tiefe, Kanalabdeckung nach tatsächlicher Nutzung und regulatorische Nachweisbarkeit. Wer diese fünf Dimensionen mit konkreten Anbieterfragen unterlegt, kann Marketing-Sprache von echter Umsetzung unterscheiden.

Die fünf Dimensionen der Capability-Map

Eine strukturierte Bewertung folgt sinnvollerweise den fünf MarTech-Dimensionen, die McKinsey für Personalisierung im Banking beschreibt: Data, Design, Decisioning, Distribution, Measurement (McKinsey, 19.07.2022). Diese Systematik lässt sich direkt in eine Anbieter-Checkliste übersetzen.

Data. Kann der Anbieter strukturierte Kundendaten aus Kernbanksystem, CRM und Kartenverarbeitung in Echtzeit konsolidieren, oder bleibt es bei nächtlichen Batch-Läden? Die Antwort entscheidet darüber, ob spätere Decisioning-Versprechen überhaupt technisch erreichbar sind.

Design. Wie werden Segmente und Angebotslogiken konfiguriert — code-frei durch Fachbereiche oder nur über IT-Tickets? Das bestimmt die tatsächliche Time-to-Market von Kampagnenänderungen.

Decisioning. Das ist die anspruchsvollste Dimension. Ein dokumentiertes Beispiel zeigt das Anforderungsniveau: Eine Decisioning-Ebene verarbeitete 50 Milliarden Parameterkombinationen und erzeugte in den ersten acht Monaten nach Einführung +20 % Provisionserlöse; nach dem ersten produktiven Use Case standen 1.500 Features für weitere Modelle zur Verfügung (McKinsey, 19.07.2022). Eine Anbieterfrage, die genau hier ansetzt: „Wie viele Parameterkombinationen verarbeitet Ihre Decisioning-Schicht pro Empfehlung, und wie viele Features stehen nach dem ersten Use Case für den zweiten zur Verfügung?" Wer diese Frage nicht mit konkreten Größenordnungen beantworten kann, hat vermutlich eine Regel-Engine, keine Decisioning-Plattform.

Distribution. Deckt die Plattform die Kanäle ab, in denen Kunden tatsächlich unterwegs sind? Die reale Kanalgewichtung pro Kunde und Jahr liegt bei 152 App-Kontakten, 96 Website-Kontakten, 52 Geldautomaten-Kontakten und 8 Filialkontakten (Accenture, Global Banking Consumer Study 2025). Wichtig dabei: Chatbots erreichen mit 21 % die niedrigste Zufriedenheit aller Kanäle in derselben Studie — ein Argument dafür, bei der Bewertung nicht nur zu fragen, welche Kanäle eine Plattform technisch anbindet, sondern auch, mit welcher Qualität sie dort ausspielt. Eine reine Kanal-Checkliste greift also zu kurz.

Measurement. Lässt sich der Beitrag jeder Empfehlung zu Umsatz und Kundenbindung sauber zurückverfolgen, oder bleibt die Wirkung eine Black Box? Ohne belastbares Measurement lässt sich der Business Case für die Plattform im Zeitverlauf weder verteidigen noch optimieren.

Warum Nachfrage und Vertrauen ein eigenes Bewertungskriterium sind

Personalisierung wird von Kunden nicht neutral wahrgenommen — sie beeinflusst nachweislich Verhalten in beide Richtungen. 72 % der Bankkunden sagen, Personalisierung beeinflusse ihre Bankwahl, aber nur 3 % nutzen von der eigenen Bank bereitgestellte Personalisierungs-Tools aktiv; 62 % sind grundsätzlich offen für einen KI-gestützten Finanzassistenten (Accenture 2025). Gleichzeitig ist Datenschutz kein Randthema: 84 % der Kunden denken aktiv darüber nach, wie ihre Daten verwendet werden, 53 % haben konkrete Datenschutzbedenken, 58 % fürchten Hacking, und nur 26 % sind an einer umfangreichen KI-Analyse ihrer Daten interessiert (Accenture 2025). Eine Plattform, die diese Zurückhaltung ignoriert, riskiert Reputationsschaden, selbst wenn sie technisch überzeugt. Die Frage an den Anbieter lautet deshalb nicht nur „was kann das Modell", sondern auch „wie transparent macht die Plattform gegenüber dem Endkunden, warum eine Empfehlung ausgespielt wird".

Regulatorik als Pflichtteil der Capability-Map

Bei automatisierten Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung gibt Art. 22 Abs. 1 DSGVO Betroffenen das Recht, einer solchen Entscheidung nicht ausschließlich unterworfen zu werden, außer bei Vertragserforderlichkeit, gesetzlicher Erlaubnis mit Schutzmaßnahmen oder ausdrücklicher Einwilligung (Art. 22 DSGVO). In den erlaubten Fällen muss die Plattform technisch und organisatorisch mindestens das Recht auf menschliches Eingreifen, auf Darlegung des eigenen Standpunkts und auf Anfechtung der Entscheidung sicherstellen (Art. 22 Abs. 3 DSGVO); Entscheidungen dürfen zudem grundsätzlich nicht auf besonderen Datenkategorien nach Art. 9 Abs. 1 beruhen (Art. 22 Abs. 4) (Art. 22 DSGVO). Für die Einstufung als Hochrisiko-System ist der EU AI Act präzise: Anhang III Nr. 5(b) erfasst KI-Systeme zur Bewertung der Kreditwürdigkeit oder zur Bildung von Kredit-Scores — ausgenommen Systeme zur Betrugserkennung —, Nr. 5(c) erfasst Risikobewertung und Preisbildung bei Lebens- und Krankenversicherungen (EU AI Act, Anhang III). Eine gute Anbieterfrage lautet deshalb: „Welche Ihrer Modelle fallen unter Anhang III, und wie ist die Architektur so getrennt, dass Marketing-Personalisierung nicht automatisch in die Hochrisiko-Kategorie rutscht?"

Ein verwandtes, aber eigenständiges Auswahlkriterium ist die Integrationsfähigkeit in die bestehende Martech-Landschaft — etwa Braze, Adobe oder Salesforce Marketing Cloud —, die wir im Artikel „No Rip and Replace: nahtlose Integration statt Systemwechsel" vertieft haben.

Zusätzlich gelten bei kritischen oder wichtigen ausgelagerten Funktionen die EBA-Leitlinien zu Auslagerungsvereinbarungen. Vor Vertragsabschluss muss die Bank bewerten, ob eine solche Funktion betroffen ist, aufsichtsrechtliche Voraussetzungen prüfen, Risiken identifizieren und eine Due Diligence des Dienstleisters durchführen (Rn. 61) (EBA/GL/2019/02). Konkret verlangen die Leitlinien eine dokumentierte Exit-Strategie (Rn. 106), uneingeschränkte Audit-Rechte für Institut und Aufsicht (Rn. 87) sowie eine Substituierbarkeits-Bewertung des Anbieters (Rn. 31 h) (EBA/GL/2019/02). Weitere belastbare Vertragsfragen: Ist Sub-Outsourcing kritischer Funktionen erlaubt (Rn. 76–78), erhält der Unterauftragnehmer dieselben Zugangsrechte (Rn. 79 b), und in welchen Ländern werden Daten verarbeitet und gespeichert (Rn. 75 f) (EBA/GL/2019/02).

Warum Testkapazität ein unterschätztes Auswahlkriterium ist

Ein oft übersehenes Kriterium ist die Fähigkeit einer Plattform, kontinuierlich zu testen statt einmalig zu konfigurieren. Führende Personalisierer fahren mehrere Hundert Tests pro Jahr, und schneller wachsende Unternehmen erwirtschaften 40 % mehr Umsatz aus Personalisierung als langsamer wachsende (McKinsey, 2021). Eine Plattform ohne eingebaute Testinfrastruktur — etwa Multi-Armed-Bandit-Verfahren zur laufenden Traffic-Allokation — bremst diesen Iterationszyklus strukturell aus, unabhängig davon, wie gut die Ausgangsmodelle sind. Hinzu kommt ein Marktstruktur-Effekt: Die Zahl der MarTech-Anbieter in den USA hat sich in fünf Jahren etwa verdoppelt (McKinsey, Oktober 2024 — ein Grund, warum sich Banken an Capability-Maps statt an Anbieterlisten orientieren sollten.

Kategorie-Klarheit: Was „Real-Time Interaction Management" wirklich bedeutet

Wenn ein Anbieter behauptet, „Real-Time Interaction Management" (RTIM) zu beherrschen, lohnt sich eine präzise Definition als Prüfmaßstab. Forrester beschreibt RTIM als Verbindung von Personalisierungsstrategie mit CX-Initiativen, mit Next-Best-Experience-Decisioning, funktionsübergreifender Ausrichtung und Optimierung von Kundenergebnissen (Forrester, „The State of Real-Time Interaction Management, 2024", 21.06.2024). Das ist mehr als „wir versenden in Echtzeit" — es umfasst funktionsübergreifende Ausrichtung zwischen Marketing, Service und Vertrieb. Eine gute Nachfrage: „Zeigen Sie uns ein Beispiel, in dem dieselbe Kundeninteraktion in Echtzeit sowohl eine Marketing- als auch eine Service-Logik berücksichtigt hat."

Wie Acceleraid diese Capability-Map abdeckt

Die Prediction Engine & AI Framework von Acceleraid berechnet Affinity-, Churn-, Propensity- und NBA-Scores erklärbar und auditierbar; die CDP & Data Governance konsolidiert Daten in Echtzeit aus CRM, Kernbanksystem und Kartenverarbeitung, mit Consent-Management, Lineage, PII-Schutz und deutschem Hosting nach GDPR-by-design (Platform). Die Experience Optimisation setzt KI-Traffic-Allokation über Multi-Armed-Bandit-Verfahren für personalisierte Landingpages und Antragsstrecken um, während die CLM/CVM-Orchestrierung Kontaktfrequenz-Limits und Kanalpräferenzen unmittelbar in die Ausspielung übersetzt — in Online-Banking, App, E-Mail und Filial-CRM (Banking). Die Plattform ist zudem modell-agnostisch konzipiert: Das zugrunde liegende KI-Modell lässt sich wechseln, ohne dass Wissen, Kontexte oder Konfigurationen verloren gehen — ein Aspekt, der bei der Substituierbarkeits-Bewertung nach EBA-Leitlinien praktisch relevant wird. Über 250 Enterprise-Deployments und mehr als 15 Jahre Erfahrung im Banking-Segment fließen dabei in die Produktentwicklung ein (Platform).

Fazit

Eine belastbare Anbieterauswahl für eine AI-Personalisierungsplattform im Banking beginnt nicht mit einer Featureliste, sondern mit fünf konkreten Fähigkeitsfragen entlang Data, Design, Decisioning, Distribution und Measurement — ergänzt um Nachweise zu Kundennachfrage, Datenschutz, regulatorischer Nachweisbarkeit und Testkapazität. Wer diese Fragen stellt, bevor der erste Demo-Termin beginnt, trennt belastbare Umsetzung von Marketing-Sprache. Wie sich der so ausgewählte Business Case dann konkret rechnet, behandelt der nächste Teil dieser Reihe zum Thema AI-Personalisierungsplattform für Banken.

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.