Wie sich Expertise mit KI skalieren lässt – sechs Use Cases für Banken

Künstliche Intelligenz entfaltet ihren größten Wert nicht als Ersatz für erfahrene Fachkräfte, sondern als deren Verstärker. Über sehr unterschiedliche Aufgaben hinweg zeigte sich in einem großen Banking-Software-Umfeld dasselbe Muster: Die KI übernimmt operative Schwerstarbeit; fachliche Richtung, Risikoabwägung und Entscheidung bleiben beim Menschen. Möglich macht das der sogenannte Agent-Mode: Die KI beschränkt sich nicht auf Antworten, sondern führt mehrschrittige Aufgaben aus, nutzt Werkzeuge und verbessert Ergebnisse iterativ – stets unter menschlicher Kontrolle.

––––––––––––––––––––

Das Wichtigste in Kürze

• Über sechs reale Anwendungsfälle hinweg lag die Zeitersparnis durch KI-Unterstützung grob zwischen 50% und mehr als 80%.
• Der Hebel entsteht nicht durch den Ersatz von Fachkräften, sondern durch ihre Verstärkung: Der Mensch entscheidet, die KI übernimmt Strukturarbeit, Auswertung und Werkzeugbau.
• Zu den Ergebnissen zählen eine kontrollierte Bereinigung von rund 12,5% einer großen Datenbank-Codebase – ohne Incidents oder Rollbacks –, eine Zeichensatz-Migration mit etwa 80% weniger Aufwand sowie Performance-Analysen aus mehreren Gigabyte Logdaten in Minuten statt Tagen.
• Entscheidend ist nicht der einzelne Prompt, sondern ein System aus Erfahrung, Governance, wiederverwendbaren Werkzeugen und Dokumentation.

––––––––––––––––––––

Die folgenden sechs Fälle zeigen, wie dieses Zusammenspiel zwischen KI und menschlichen Experten in der Praxis aussieht:

Fall 1) Datenbank-Code bereinigen: Altlasten kontrolliert entfernen

Alte, ungenutzte Routinen in PL/SQL erschweren Reviews und erhöhen Änderungsrisiken. Die KI unterstützte beim Aufbau passender Analysewerkzeuge und beim strukturierten Durcharbeiten großer Routinenmengen. Sicherheitsregeln, Freigaben und Entscheidungen in Grenzfällen blieben Aufgabe des Menschen.

Ergebnis: Rund 68 Packages, 305 Routinen und 34.700 Zeilen wurden entfernt – etwa 12,5% der Codebase. Dabei gab es weder Incidents noch Rollbacks; der Aufwand lag grob 45% unter dem einer manuellen Bearbeitung.

––––––––––––––––––––

Fall 2) Zeichensatz-Migration: Massenarbeit mit fachlichem Sicherheitsnetz

Bei der Umstellung von Byte- auf Zeichen-Semantik müssen viele gleichartige Anpassungen zuverlässig umgesetzt werden. Genau hier beschleunigte die KI die Massenarbeit. Fachlich kritische Sonderfälle prüfte weiterhin der Mensch; ein Code-Review blieb verpflichtend.

Ergebnis: Mehr als 300 umgestellte Objekte und rund 2.400 Anpassungsstellen – bei etwa 80% Zeitersparnis.

––––––––––––––––––––

Fall 3) API-Idempotenz: Doppelte Anfragen, einmalige Wirkung

Im Zahlungsverkehr muss dieselbe Anfrage auch bei mehrfacher Übermittlung nur einmal wirken, sonst kann es z. B. zu versehentlichen Doppel-Abbuchungen kommen. Die KI ordnete betroffene Schnittstellen zu, baute Testgerüste und orchestrierte große Testmengen. Der Mensch bewertete, was eine echte Regression und was lediglich ein Baseline-Effekt war.

Ergebnis: Der Aufwand für Analyse, Test und Validierung sank von mehr als 30 auf etwa neun Stunden – ein Rückgang um rund 70%.

––––––––––––––––––––

Fall 4) Performance-Störungen: Millionen Logzeilen beherrschbar machen

Bei Performance-Störungen ist die Datenmenge oft das Kernproblem. Ein einzelner Vorfall umfasste rund vier Gigabyte Logs mit etwa 8,9 Mio. Zeilen und 1,6 Mio. Requests. Solche Volumina passen nicht direkt in das Kontextfenster moderner KI-Modelle, das derzeit grob bis zu rund 1 Mio. Tokens reicht.

Statt die Rohdaten direkt auszuwerten, erstellt die KI passende Analyseskripte – meist in Python. Diese entpacken, lesen und verdichten die Logformate. Gerade im Bankenumfeld ist das ein wichtiger Nebeneffekt: Die Auswertung läuft lokal, sensible Rohdaten verbleiben auf der eigenen Infrastruktur. An die KI gehen lediglich Code und verdichtete Ergebnisse; die fachliche Einordnung bleibt beim Menschen.

Ergebnis: Grob 70-85% Zeitersparnis. Eine belastbare Analyserichtung stand häufig nach Minuten bis wenigen Stunden fest – statt erst nach Tagen.

––––––––––––––––––––

Fall 5) Fehler-Forensik: Hypothesen systematisch prüfen

Nicht jede Störung ist ein Performance-Problem. Manche betreffen Routing, Sessions, SSL oder inkonsistente Abläufe. Die KI half dabei, Logs zu korrelieren, Hypothesen zu vergleichen und Playbooks aufzubauen. Die forensische Bewertung und die abschließende Diagnose blieben beim Menschen.

Ergebnis: Wiederverwendbare Vorgehensmuster sowie deutlich schnellere und qualitativ bessere Analysen.

––––––––––––––––––––

Fall 6) Deployment-Abgleich: Dokumentation trifft Realität

Auf Kubernetes- und OpenShift-Plattformen entstehen Probleme häufig im Zusammenspiel von Konfiguration, Skalierung, Zertifikaten und Netzwerkparametern. Die KI verglich Herstellerdokumentation mit realen Deployment-Konfigurationen und strukturierte Abweichungen in einem Maßnahmenkatalog. Der Mensch priorisierte die kritischen Punkte.

Ergebnis: Schnellere Ursachenfindung und höhere Qualität bei Deployments und Upgrades.

––––––––––––––––––––

Was aus sechs Einzelfällen ein System macht

Der nachhaltige Nutzen entsteht nicht aus einem einzelnen Prompt. Er entsteht aus einem belastbaren Arbeitsmodell, bei dem Technologie, Erfahrung und Governance ineinandergreifen:

• Integrierter Workspace: Code, Dokumentation, Tests und Konfiguration stehen in einem gemeinsamen Arbeitskontext bereit.
• Zentrale Einstiegsdokumentation: Regeln, Abhängigkeiten und Sicherheitsleitplanken sind nachvollziehbar beschrieben.
• Iteratives Vorgehen: Aus einem Ad-hoc-Skript wird schrittweise ein generalisiertes, wiederverwendbares Werkzeug.
• Klare Governance: Menschliche Veto- und Freigabepunkte bleiben verbindlich.
• Nachvollziehbare Ergebnisse: Resultate werden dokumentiert und versioniert.

So wird aus punktueller Unterstützung ein wachsender Werkzeugkasten – und aus Produktivitätsgewinnen in einzelnen Aufgaben eine wiederholbare Fähigkeit der Organisation.

––––––––––––––––––––

Fazit: Nicht Expertise ersetzen, sondern vervielfachen

KI ist besonders stark bei strukturierter Schwerstarbeit, Wiederholung, Auswertung und Werkzeugbau. Menschen sind stark bei Architekturverständnis, Risikoabwägung und Entscheidungskraft. Wer beide Seiten konsequent verbindet, erzielt nicht nur Tempo, sondern auch bessere und nachvollziehbarere Ergebnisse.

Die zentrale Erkenntnis lautet deshalb nicht: „KI ersetzt Expertise.“ Sondern: „KI skaliert Expertise.“

––––––––––––––––––––

*Jakob Deiner berät als Principal IT Consultant bei msg for banking Kunden in seinen Schwerpunktthemen IT-Architektur, künstliche Intelligenz und containerbasierte Betriebsplattformen. msg for banking gehört zu den Content-Partnern von Finanz-Szene. Mehr zu unserem Content-Partner-Modell erfahren Sie hier.