Finanzbranche investiert Milliarden in KI, kämpft aber weiter mit dem ROI

Finanzinstitute erhöhen ihre Budgets für künstliche Intelligenz deutlich. Doch hohe Investitionen und viele Pilotprojekte führen keineswegs automatisch zu messbarem wirtschaftlichem Nutzen. Die zentrale Botschaft von Quinlan & Associates: Die Branche muss nicht länger entscheiden, ob sie KI einsetzt – sie muss belegen, welche Anwendungen Umsatz, Kosten, Risiko oder Kundenerlebnis tatsächlich verbessern.

Milliardeninvestitionen – und eine große ROI-Lücke

Quinlan & Associates schätzt die KI-bezogenen Ausgaben im Finanzsektor für 2025 auf 76 Milliarden US-Dollar. Bis 2030 soll der Betrag auf über 130 Milliarden US-Dollar steigen. 14 Gleichzeitig prüfen oder nutzen 95 % der traditionellen Finanzinstitute KI bereits im Geschäftsbetrieb. 71 % geben jedoch an, Schwierigkeiten zu haben, einen klaren Return on Investment (ROI) zu erzielen oder nachzuweisen. 3

Diese Diskrepanz ist entscheidend: Eine hohe Verbreitung zeigt zwar den Handlungswillen der Unternehmen, beweist aber noch keinen nachhaltigen Geschäftswert. Quinlan-nahe Angaben zufolge werden zudem 43 % der KI-Initiativen eingestellt – ein Hinweis darauf, wie häufig Vorhaben nicht dauerhaft in den produktiven Betrieb übergehen. 15

Weshalb viele KI-Projekte keinen Ertrag bringen

Quinlan benennt drei miteinander verknüpfte Hindernisse bei der Wertschöpfung:

1. Technologie steht vor der Geschäftsfrage. Manche Institute beginnen mit einem verfügbaren Tool statt mit einem klar definierten Problem, einer Customer Journey, einem Engpass im Ablauf und einem messbaren Ziel. Dann wird es schwer, Anwendungsfälle mit glaubwürdigem Wirkungspfad auszuwählen. 6
2. Governance kommt zu spät. Werden Risiko, Compliance und Kontrollen erst nach Beginn von Konzeption und Entwicklung behandelt, stoßen Teams womöglich erst nach erheblichen Zeit- und Budgetaufwendungen auf Grenzen. 6
3. Das Betriebsmodell ist nicht skalierbar. Fragmentierte Daten, schwache Umsetzungsgrundlagen und unzureichende Fähigkeiten für Steuerung, Einführung und Skalierung können selbst vielversprechende Projekte zwischen Pilotphase und unternehmensweiter Nutzung festhalten. 6

Das sind vor allem Umsetzungsprobleme, nicht bloß technische Grenzen. Ein Institut kann Modelle lizenzieren, Proofs of Concept durchführen und zahlreiche KI-Experimente vorweisen – ohne die Arbeitsabläufe und Verantwortlichkeiten neu zu gestalten, die für ein finanzielles Ergebnis nötig sind.

Governance ist ein Teil des ROI, nicht nur Compliance

Im Finanzsektor ist vertrauenswürdige KI-Governance nicht vom wirtschaftlichen Erfolg zu trennen. Sie entscheidet mit darüber, ob ein Anwendungsfall genehmigt, ausgerollt, überwacht und in dem Grad an Automatisierung akzeptiert werden kann, den sein Business Case voraussetzt.

Das World Economic Forum empfiehlt in seinem KI-Playbook für Finanzdienstleister, Risikomanagement und verantwortungsvolle KI auf allen Ebenen zu verankern: Risikobereitschaft früh festlegen, Modelle streng validieren und sicherstellen, dass KI-Aktionen erklärbar, nachvollziehbar und steuerbar bleiben. 1 Das gewinnt an Bedeutung, wenn Unternehmen von unterstützenden Systemen zu Anwendungen übergehen, die mehrstufige Aufgaben ausführen können. Klare Grenzen, Eskalationswege und menschliche Aufsicht verringern die operative Unsicherheit, die wertvolle Anwendungen sonst an der Skalierung hindert.

Auch die Grundlagen bleiben entscheidend. Die IIF-EY-Umfrage nennt Datenqualität und Datenverfügbarkeit als zentrale Hürden für den produktiven KI-Einsatz – neben qualifiziertem Personal und Governance-Schutzmechanismen. 4

Was BCG und NVIDIA dazu zeigen

Andere Studien stützen Quinlans Diagnose, auch wenn sie unterschiedliche Stichproben und Kennzahlen verwenden.

In einer BCG-Befragung von mehr als 280 Finanzverantwortlichen lag der median berichtete ROI für KI und generative KI bei 10 % – deutlich unter dem Zielwert von 20 %, den viele Befragte anstreben. Fast ein Drittel meldete nur begrenzte Fortschritte. 43 In einer weiteren Untersuchung mit mehr als 1.250 Unternehmen stellte BCG fest, dass nur 5 % KI-Wertschöpfung im großen Maßstab erreichen; 60 % berichteten trotz erheblicher Investitionen kaum von materiellem Nutzen.

Die Finanzsektor-Umfrage von NVIDIA aus dem Jahr 2025 zeigt zugleich die andere Seite: Bei bereits eingeführten Anwendungen entstehen durchaus greifbare Vorteile. Fast 70 % der Befragten sagten, KI habe die Umsätze um mindestens 5 % erhöht; mehr als 60 % berichteten von jährlichen Kostensenkungen von mindestens 5 %. Bei generativer KI nannten die Befragten Handel und Portfoliooptimierung sowie Customer Experience als Anwendungsfelder mit dem höchsten gemeldeten ROI.

Die Ergebnisse widersprechen sich nicht. KI kann Renditen liefern – doch die bloße Einführung ist noch kein Ergebnis. Ausschlaggebend ist, ob ein Unternehmen einen wertvollen Anwendungsfall auswählt, den relevanten Prozess verändert, verlässliche Daten und Kontrollen aufbaut und die operative wie finanzielle Wirkung tatsächlich misst.

Die Aufgabe heißt jetzt: Umsetzung

Das deutlichste Signal aus Quinlans Analyse ist die Lücke zwischen Ausgaben, Aktivität und realisiertem Wert: 76 Milliarden US-Dollar Investitionen im Jahr 2025, weit verbreitete KI-Nutzung – und anhaltende Schwierigkeiten, den Ertrag zu belegen. 14 3

Für Führungskräfte im Finanzsektor folgt daraus eine praktische Konsequenz: KI sollte als Programm zur Geschäftstransformation behandelt werden, nicht als Sammlung voneinander getrennter Pilotprojekte. Am Anfang stehen ein messbares Geschäftsziel, früh definierte Risiko- und Governance-Anforderungen sowie klare Ergebnisverantwortung. Nach dem Roll-out müssen Kennzahlen über den gesamten Lebenszyklus verfolgt werden. BCG argumentiert ähnlich: Unternehmen mit erheblicher Wertschöpfung konzentrieren sich auf wenige Initiativen, skalieren sie schnell, verändern Kernprozesse, qualifizieren ihre Teams weiter und messen operative sowie finanzielle Resultate systematisch.

Der nächste Wettbewerbsvorteil dürfte daher nicht zwischen Instituten liegen, die KI haben, und solchen, die keine haben. Er entsteht zwischen jenen, die KI in zentralen Abläufen sicher und messbar betreiben können – und jenen, die weiter Experimente anhäufen, ohne einen wiederholbaren Weg zum Geschäftswert zu finden.