30 Prozent – Tendenz steigend. Das ist der Anteil der Programmcodes in den USA, der mittlerweile KI-generiert entsteht. Die Technologie dahinter basiert auf großen Sprachmodellen, wie etwa Generative Pre-trained Transformer (GPT). Ihr Grundprinzip ist dabei ebenso einfach wie wirkungsvoll: Auf Basis von Eingaben wird der statistisch wahrscheinlichste Ausgabetext erzeugt.
Für die Verarbeitung von Text wird dieser zunächst in sogenannte Tokens übersetzt. Tokens sind numerische Repräsentationen von Wörtern, Teilwörtern oder einzelnen Zeichen für die Weiterverarbeitung im Sprachmodell. Diese Tokens werden häufig auch zur Monetarisierung von Sprachmodellen herangezogen, da Kosten oft anhand der verarbeiteten Ein- und Ausgabemengen der Tokens berechnet werden.
Ein entscheidender Unterschied zwischen klassischen Machine-Learning-Ansätzen und großen Sprachmodellen ist das hohe Maß an Flexibilität beim Einsatz. Außerdem lassen sich durch die Interaktion in natürlicher Sprache auch mit wenig technischem Vorwissen erste produktive Anwendungsfälle realisieren, was die Verbreitung zusätzlich beschleunigt.
Einsatz von KI: Nutzen, Kosten und Abhängigkeiten
Die Einsatzmöglichkeiten im Bankenumfeld sind vielfältig. In der L-Bank wurden als Teil der KI-Strategie allen voran drei Zielbereiche für den Einsatz von KI identifiziert: Kundennutzen, Effizienzsteigerung in Prozessen und Risikosteuerung. Dabei bieten sich je nach Anwendungsfall unterschiedliche Arten von KI an. Zur Steigerung von Kundennutzen könnten beispielsweise Chat- und Telefonbots eingesetzt werden, um bei Fragen zu Antragstellungen und während der Bearbeitung von Anträgen zu unterstützen.
Hierfür existiert inzwischen eine breite Palette an Lösungen unterschiedlicher Anbieter, von individuell entwickelten Systemen bis hin zu standardisierten SaaS-Angeboten. Insbesondere letztere basieren häufig auf dem Prinzip, bankeigenes Wissen gezielt in Form von Richtlinien oder anderen Dokumenten in die Anwendung einzuspeisen. Die KI kann so kontextbezogen und nachvollziehbar Auskunft geben, ohne dass sensible Daten unmittelbar zum Training eines Modells verwendet werden müssen. Auch in der L-Bank wurde mit diesem Prinzip der erste Anwendungsfall, ein bankinterner Chatbot für interne Richtlinien, aufgebaut.
Besonders bei SaaS-Lösungen mit einem Bring-your-own-Model-Ansatz sollte jedoch berücksichtigt werden, dass der Verbrauch von Input- und Output-Tokens schnell ansteigen kann. In diesen Architekturen stellt der Anbieter zwar die Anwendungsschicht bereit, während die eigentliche KI-Leistung über ein externes Sprachmodell konsumiert wird. Ein unüberlegter Einsatz solcher Lösungen birgt daher das Risiko, dass Transparenz über tatsächliche Kosten erst spät entsteht. Umso wichtiger ist es, KI-Anwendungsfälle nicht isoliert technisch, sondern ganzheitlich zu betrachten. Neben dem funktionalen Nutzen ist auch der zu erwartende Tokenverbrauch und dessen wirtschaftliche Auswirkung systematisch zu bewerten.
Bei der Auswahl von Lösungen und Anbietern sollte zudem berücksichtigt werden, dass eine enge technologische Bindung, etwa durch Nutzung spezieller Services, Abhängigkeiten schaffen kann. Damit wird der Umgang mit möglichem Vendor-Lock-in zu einer strategischen Fragestellung, die über einzelne KI-Anwendungsfälle hinausgeht und entscheidenden Einfluss auf die digitale Souveränität einer Bank hat.
Digitale Souveränität: Mehr als nur Datenhoheit
Gerade in Anbetracht der aktuellen geopolitischen Lage rückt die digitale Souveränität von Banken zunehmend in den Fokus. Ein zentrales Element ist dabei die Datenhoheit, vorrangig mit Blick auf Verarbeitungsort, rechtlichen Rahmen und Zugriffsrechte. Digitale Souveränität endet jedoch nicht hier. Ebenso entscheidend ist die Hoheit über die eingesetzten Technologien selbst. Dies gewinnt auch vor dem Hintergrund regulatorischer Anforderungen an Bedeutung: So fordert DORA für als kritisch oder wichtig eingestufte Funktionen explizit, dass Institute eine tragfähige Ausstiegsstrategie vorweisen können. Diese soll sicherstellen, dass ein Wechsel von Dienstleistern oder Technologien ohne unangemessene Beeinträchtigung des Geschäftsbetriebs möglich ist.
Bei einem starken Vendor-Lock-in, zum Beispiel durch Nutzung geschlossener Modellökosysteme und Services, wird die Umsetzung einer solchen Ausstiegsstrategie deutlich komplexer. Digitale Souveränität umfasst daher neben der Datenhoheit auch die bewusste Gestaltung des eigenen Tech-Stacks. Damit schließt sich der Kreis zwischen regulatorischer Compliance, technologischer Entscheidungsfreiheit und der langfristigen strategischen Handlungsfähigkeit der Bank.
Open-Source-Modelle als strategische Ergänzung
Vor dem Hintergrund der Anforderungen an digitale Souveränität und der Risiken eines langfristigen Vendor-Lock-ins bieten Open-Source-Modelle eine Alternative. Sie ermöglichen ein Höchstmaß an Transparenz und Kontrolle. Besonders die größere Transparenz der Trainingsansätze und der Herkunft sowie Zusammensetzung der Trainingsdaten erleichtert ihre Bewertung im Hinblick auf Fairness und regulatorische Erwartungen. Banken können diese Modelle in eigener Infrastruktur oder souveränen Cloud-Umgebungen betreiben und anpassen. Damit leisten Open-Source-Ansätze einen wichtigen Beitrag zur Stärkung der technologischen Unabhängigkeit. Darüber hinaus ermöglicht die praktische Verprobung von Open-Source-Modellen, den Tokenverbrauch zu messen und ein tieferes Verständnis für Kostenwirkungen zu gewinnen. Auch in der L-Bank wurden bereits Ende 2024 erste Erfahrungen für die Verwendung von Sprachmodellen auf Basis von Open-Source-Modell-gestützten Proof of Concepts gesammelt.
Im Vergleich zu führenden Closed-Source-Modellen erreichen Open-Source-Modelle oftmals eine geringere Leistungsfähigkeit, insbesondere bei komplexen oder sprachlich anspruchsvollen Aufgaben. Zudem geht ihr Einsatz mit einem nicht unerheblichen Aufwand für den Aufbau, Betrieb und die Wartung der erforderlichen Infrastruktur sowie für den Erwerb entsprechender fachlicher Kompetenzen einher.
Daher erweisen sich Open-Source-Modelle vor allem für klar abgegrenzte, spezialisierte Anwendungsfälle als sinnvoll, wenn ein besonders hohes Maß an digitaler Souveränität gefordert ist. In solchen Szenarien können sie eine wertvolle Ergänzung im KI-Portfolio von Banken darstellen und ein gezieltes Gleichgewicht zwischen technologischer Leistungsfähigkeit, regulatorischen Anforderungen und strategischer Unabhängigkeit ermöglichen.
Die eingangs erwähnte Zahl von 30 Prozent KI-generiertem Programmcode verdeutlicht eindrucksvoll, welches Effizienzpotenzial KI grundsätzlich entfalten kann. Dieses Niveau wird sich jedoch nicht in jedem Anwendungsfall unmittelbar realisieren lassen, insbesondere nicht im stark regulierten Bankenkontext. Gleichwohl zeigt die Entwicklung, dass signifikante Produktivitätsgewinne möglich sind, wenn KI gezielt, verantwortungsvoll und anwendungsnah eingesetzt wird.
Dabei dürfen neben den Chancen auch die wirtschaftlichen Rahmenbedingungen nicht aus dem Blick geraten. Gerade bei der Nutzung großer Sprachmodelle können tokenbasierte Abrechnungsmodelle schnell zu einem relevanten Kostentreiber werden. Für Banken bedeutet dies, Effizienzgewinne stets im Verhältnis zu laufenden Nutzungskosten zu bewerten und Einsatzszenarien bewusst zu steuern. Dies gilt ebenso für die private Nutzung von KI-Werkzeugen, bei der ein unreflektierter Umgang mit Tokens schnell zu unerwarteten Kosten oder Limitierungen führen kann.
Insgesamt zeigt sich, dass der Einsatz von KI weniger eine Frage maximaler Automatisierung ist als vielmehr eine strategische Balance zwischen Nutzen, Kosten, Regulierung und digitaler Souveränität. Gelingt es, diese Faktoren in Einklang zu bringen, kann KI sowohl im Bankwesen als auch darüber hinaus einen nachhaltigen Beitrag zu Effizienz, Qualität und Innovationsfähigkeit leisten.
Marius Brennfleck ist als „Technical AI Consultant“/„AI Solution Engineer“ bei der L-Bank tätig. Er absolvierte einen Master in Informatik mit Schwerpunkt Künstliche Intelligenz und begleitet die Bank bei der Identifikation und Umsetzung von KI‑Use‑Cases. Darüber hinaus bringt er seine technologische Expertise in die Weiterentwicklung der KI‑Strategie ein.