Kapitel 1: Die makroökonomische Fata Morgana
Der Ausbau der künstlichen Intelligenz ist in seiner Kapitalintensität historisch ohne Beispiel. In den letzten Jahren hat das Technologie-Ökosystem, getragen von den grossen Cloud-Anbietern, spezialisierten Infrastrukturfonds und Private Credit, Hunderte Milliarden Dollar in den physischen Ausbau gesteckt: Rechenzentren der nächsten Generation, spezialisierte Halbleiter und eine Stromversorgung mit hoher Leistungsdichte.
Daraus ist ein makroökonomisches Paradox entstanden. Während die physische Rechenkapazität weiter wächst, sinken die Stückkosten der Inferenz steil.
- Die Deflationsfalle: Effizienzgewinne führen dazu, dass dieselbe Rechenaufgabe nur noch einen Bruchteil dessen kostet, was sie vor zwölf Monaten kostete. Infrastrukturbetreiber brauchen ein enormes Volumenwachstum, nur um ihre Schulden zu bedienen und ihre Investitionen zu amortisieren.
- Das Private-Credit-Risiko: Anders als frühere Technologiezyklen, die vor allem über den Aktienmarkt finanziert wurden, stützt sich ein erheblicher Teil dieses Ausbaus auf Private Credit, spezialisierte Leasingvehikel und Projektfinanzierungen, die weit weniger transparent sind.
Wenn sich die Finanzierungsbedingungen verschärfen oder die Politik in Washington bei Energiesubventionen, Exportkontrollen oder Kartellrecht umschwenkt, zeigt sich die Verletzlichkeit dieser Finanzierungsstruktur. Hält die Nachfrage der Unternehmen nicht mit der physischen Kapazität Schritt, führt das Überangebot zu Abschreibungen, die weit über die Technologiebranche hinaus bis in institutionelle Portfolios und Kreditmärkte reichen.
Kapitel 2: Die Wertlücke in der Finanzbranche
Für Banken, Vermögensverwalter, Wealth Manager und Versicherer wird das makroökonomische Überangebot an Rechenleistung zu einem konkreten internen Dilemma: der Wertlücke im Unternehmen.
Abbildung 1: Kapazität wird auf Makroebene gekauft; der Wert muss in der Bilanz entstehen.
Innovationsteams haben zahlreiche Proof-of-Concept-Projekte gestartet, doch diese Werkzeuge in dauerhaften Bilanzwert umzuwandeln, gelingt kaum. Die Gründe sind struktureller, nicht technologischer Natur:
- Das Zurechnungsproblem in der Erfolgsrechnung: Die meisten KI-Werkzeuge in der Finanzbranche dienen als übergreifende Produktivitätshilfen: Dokumente zusammenfassen, Kundenkorrespondenz entwerfen, Code schreiben. So praktisch sie sind, diese Mikro-Effizienzen führen selten zu tieferen Kosten, geringerem operativem Risiko oder messbarem Umsatzwachstum.
- Die Last der Softwarelizenzen: Institute sind an steigende mehrjährige Softwareverträge gebunden und zahlen hohe wiederkehrende Gebühren für Modelle, deren Grundfähigkeiten rasch zur Massenware werden.
- Reibung in gewachsenen Abläufen: Sprachmodelle über fragmentierte Kernbankensysteme und isolierte Data Warehouses zu legen, erzeugt operative Schwerfälligkeit statt Automatisierung.
Praxisbeispiel: Was eine Entwicklung heute kostet
Eine Plattform für Inhaltsverwaltung und Publikation im Dienst einer Gemeinschaftsorganisation, mit Veranstaltungsverwaltung an mehreren Standorten, redaktioneller Steuerung, SSO für externe und interne Benutzer, Abläufen für die Gemeinschaftsverwaltung und öffentlichen Informationsanzeigen, war mit 180 bis 210 Personentagen herkömmlicher Softwareentwicklung veranschlagt worden. Mit KI-gestützter Entwicklung wurde das Projekt in weniger als fünf Arbeitstagen umgesetzt, also mit rund einem Vierzigstel des geschätzten Aufwands.
Die Lehre daraus ist nicht, dass Software gratis geworden ist. Spezifikation, Tests, Sicherheit und Verantwortung verlangen weiterhin Urteilsvermögen, und die Entscheidung, was gebaut werden soll, ist nicht einfacher geworden. Aber die Kosten der Entwicklung sind eingebrochen, während viele Institute noch mehrjährige Lizenzverträge unterzeichnen, die auf den alten Kosten beruhen. Das ist die oben beschriebene Lizenzlast, und sie führt direkt zur vierten und fünften Falle weiter unten.
Kapitel 3: Die fünf strukturellen Fallen beim Einsatz von KI
Wenn KI-Initiativen von Instituten stocken oder keine Erträge bringen, kehren fünf Fehlermuster wieder. Es sind keine technischen Fehler, sondern Schwächen in der Art, wie Finanzunternehmen Technologie steuern.
- Falle 1, Kapitalallokation ohne Kontrollpunkte: KI-Budgets werden als offene Forschungstöpfe behandelt statt als diszipliniert geführte Investitionen. Projekte werden wegen ihrer Neuheit finanziert, nicht anhand von Renditehürden, die an Erfolgsrechnung oder Risikoreduktion gebunden sind.
- Falle 2, zersplitterte Verantwortung: Die Entscheidungsrechte zwischen CIO, CRO, Geschäftsbereichsleitungen und Compliance sind unklar. Verteilt sich die Verantwortung über mehrere Abteilungen, verflüchtigt sie sich: Pilotprojekte werden doppelt geführt, Einführungen stocken.
- Falle 3, ein aufgeblähtes Betriebsmodell: KI-Steuerungsebenen und Governance-Ausschüsse werden auf bereits schwerfällige Strukturen gesetzt. Statt die Abläufe zu vereinfachen, schafft das Institut eine weitere Verwaltungsebene.
- Falle 4, Anbieterabhängigkeit und Blindheit für den Zeithorizont: Verpflichtungen gegenüber Anbietern werden nicht gegen dreijährige Abschreibungszyklen, sinkende Token-Kosten und die sinkenden Kosten der Eigenentwicklung getestet. Langfristiges Kapital fliesst in proprietäre Lösungen, die veralten oder unwirtschaftlich werden können, sobald offene Alternativen reifen.
- Falle 5, die Abo-Preisfalle: Die heutigen KI-Abonnements sind darauf ausgelegt, Nutzer zu gewinnen, nicht unbedingt darauf, ihre Vollkosten zu decken. Laufen Abläufe, Mitarbeitende und Daten erst einmal über einen einzigen Anbieter, wird ein Wechsel teuer, und die Preise können ohne grossen Widerstand steigen. Institute sind doppelt exponiert: Heute bezahlen sie dafür, sich um eine Technologie herum neu zu organisieren, deren Nutzen noch ausser Reichweite liegt; morgen, wenn der Nutzen endlich eintritt, kann der Abopreis steigen, um ihn abzuschöpfen.
Kapitel 4: Der Rahmen der Entscheidungsarchitektur
Um die Wertlücke zu schliessen und die aktuelle Marktvolatilität zu bewältigen, muss die Führung vom Kauf von Kapazität zu struktureller Disziplin übergehen. Jede der fünf Fallen hat ihre Antwort:
Abbildung 2: Von den fünf strukturellen Fallen zum Rahmen der Entscheidungsarchitektur.
- Kapitalschwellen durchsetzen: finanzielle Hürden festlegen, die ein Pilotprojekt nehmen muss, bevor es vom Test in die Produktion geht. Zeigt eine Initiative keinen klaren Weg zu höherer Marge oder geringerem Risiko, wird ihre Finanzierung umgeschichtet.
- Verantwortung klar zuordnen: die Entscheidungsrechte genau festlegen. Die Geschäftsbereichsleitung verantwortet das Ergebnis, der CRO die Risikoparameter und die IT die Infrastruktur für die Umsetzung, ohne sich überlappende Grauzonen.
- Das Betriebsmodell verschlanken: die Einführung von KI nutzen, um die Organisation zu vereinfachen und überflüssige Führungsebenen abzubauen, statt alte Ineffizienzen zu digitalisieren.
- Langfristige Verpflichtungen testen: jeden Softwarevertrag an den sinkenden Technologiekosten messen und die vertragliche Flexibilität bewahren, die gebundenes Kapital vermeidet.
- Ausstieg und Preis absichern: Preisobergrenzen und Kündigungsfristen für die mehrjährige Nutzung aushandeln; Daten, Prompts und Abläufe übertragbar halten; Prozesse so gestalten, dass ein zweiter Anbieter oder ein offenes Modell übernehmen kann. KI-Dienste mit einem Preisszenario budgetieren, das deutlich über dem heutigen liegt.
Fazit: Die Reife des Instituts beurteilen
Ob ein Technologieportfolio dauerhafte Fähigkeiten aufbaut oder strukturelle Risiken anhäuft, entscheidet sich in der Governance: wer das Kapital zuteilt, wer das Ergebnis verantwortet und wie das Betriebsmodell Veränderungen aufnimmt. Die Führungsspitze sieht das selten gleich wie Kontrolle, Front Office und Operations.
Um Führungsteams zu helfen, diese Reibungspunkte zu erkennen, bevor weiteres Kapital gebunden wird, wurde der Rahmen in eine strukturierte Selbstbeurteilung übertragen, den Execution Resilience Diagnostic. Er bewertet acht Dimensionen, von Initiativen und Investitionsentscheidungen bis zu Daten, Technologie und KI. Die Team-Edition vereint bis zu acht Kolleginnen und Kollegen und zeigt, wo ihre Sichtweisen auseinandergehen.