Die GenAI-Skala und der KI-Prozess-Kompass als neue Orientierungstools für die Finanzbranche

Ein Blick über den Tellerrand der Finanzbranche Die Finanzbranche befi ndet sich am Beginn einer tiefgreifenden Transformation, die durch innovative Technologien wie Generative KI (GenKI) vorangetrieben wird. Diese Technologie eröff net Finanzinstituten erhebliche Potenziale, um Prozesse zu automatisieren, die Interaktion mit Kunden zu personalisieren und Beschäftigte in ihrer täglichen Arbeit zu unterstützen. Gleichzeitig ergeben sich insbesondere in einem stark regulierten Umfeld wie dem Finanzsektor vielfältige Herausforderungen. Text — Prof. Dr. rer. pol. Nils Hafner, Sophie Hundertmark Ausgangspunkt für den folgenden Beitrag ist die Hypothese, dass Kunden an ihre Bank grundsätzlich dieselben Erwartungen stellen wie an Unternehmen anderer Branchen. Vor diesem Hintergrund werden zunächst generative KI-Anwendungen aus verschiedenen Wirtschaftszweigen und Unternehmensgrößen analysiert. Anschließend wird ihre Übertragbarkeit auf die Finanzbranche geprüft. Als zentrales Ergebnis stellt der Beitrag zwei wesentliche Instrumente vor: die GenAI-Skala sowie den KI-Prozess-Kompass. Neben den praxisnahen Tools bietet der Beitrag zudem Einblicke in den fortgeschrittenen generativen KI-gestützten Chatbot der Helvetia Versicherungen Schweiz. Über das Institut für Finanzdienstleistungen Zug der Hochschule Luzern (IFZ) Das Institut für Finanzdienstleistungen Zug (IFZ) ist ein Forschungsund Bildungszentrum der Hochschule Luzern (HSLU) mit Fokus auf Finanzwirtschaft, Banking und FinTech. Es bietet praxisnahe Weiterbildung (unter anderem Im Bereich „AI im Banking“), Forschung und Beratung für Unternehmen und Organisationen im Finanzsektor. Schwerpunkte sind unter anderem Digitalisierung, Sustainable Finance und Unternehmensfinanzierung. Die GenAI-Skala und der KI-Prozess-Kompass als neue Orientierungstools für die Finanzbranche Illustration —CoreDesignKEY/iStock Finance Excellence 35 Rethinking Finance 3.2025 Juni 2025 Untersuchungen zu den Erwartungen von Bankenund Versicherungskunden deuten darauf hin, dass bei der Auswahl eines Finanzdienstleisters ähnliche Bewertungskriterien herangezogen werden wie in anderen Wirtschaftssektoren, z.B. im Einzelhandel, in der Pharmaindustrie oder in der Unterhaltungsbranche. In all diesen Branchen wird der Einsatz modernster Technologien immer wichtiger. In der neusten Studie „Generative AI in Finance“ des IFZ wurde zunächst analysiert, wie verschiedene Branchen – darunter Einzelhandel, Gesundheitswesen und Tourismus – GenKI bereits einsetzen. Anschließend wurde die Übertragbarkeit dieser Anwendungsfälle auf die Finanzinstitute evaluiert. Zur Erhebung der aktuellen Nutzung, der Potenziale und Herausforderungen von generativer KI sowie erster Erfahrungen mit dieser Technologie wurden qualitative Befragungen mit Führungskräften aus den Bereichen Kundenservice, Informationsdienste, Compliance, Marketing und Kommunikation durchgeführt. Anschließend erfolgte ein Abgleich der Ergebnisse mit Experten aus der Finanzbranche, um die Anwendbarkeit der identifizierten KI-Lösungen im Finanzsektor fundiert zu bewerten. ChatGPT als Auslöser für eine Vielzahl von KI-Initiativen in Unternehmen Das Produkt ChatGPT gilt seit der Veröffentlichung der Version 3.0 als großer Treiber für die Auseinandersetzung mit GenKI bei den meisten befragten Unternehmen. Dazu wurden in der Regel KI-Arbeitsgruppen innerhalb der Unternehmen gegründet. In den meisten Fällen kam die Anregung zur Einrichtung einer solchen Arbeitsgruppe von der Geschäftsleitung oder von Innovations-Teams, die die Potenziale und Risiken von Generativer AI ausloten wollten. In diesem Zusammenhang ist anzumerken, dass einzelne Unternehmen auch schon vor 2022 eine Abteilung für KI eingerichtet hatten, diese aber in den meisten Fällen nur wenig Bedeutung innerhalb der Organisation bekam. Sofern weder Geschäftsleitung noch Innovationsteams die neuen KI-Arbeitsgruppen ins Leben gerufen haben, gingen die Initiativen von diversen einzelnen Abteilungen aus, die GenKILösungen zur Steigerung der Kundenerfahrung oder zur besseren Bewältigung des Kundenkontaktvolumens einsetzen wollten. Hervorzuheben sind hier Kundenservice-Abteilungen, die sich für die neuen Möglichkeiten interessieren und diese dann an die Geschäftsleitung tragen. ITAbteilungen spielen ebenfalls eine wichtige Rolle, insbesondere bei der Steigerung der Produktivität durch den Einsatz von GenKI-Anwendungen im Rahmen des Coding. Wieder andere Unternehmen wurden direkt von Technologie-Anbietern auf die neuen Möglichkeiten aufmerksam gemacht und durch besondere Angebote angelockt. Dies waren oft IT-Anbieter, die bereits mit dem Unternehmen zusammenarbeiten und die nun auch Lösungen im Umfeld GenAI anbieten. In einigen Fällen haben die IT-Anbieter die neuen Lösungen sogar zu besonderen, finanziellen Konditionen angeboten oder die Unternehmen im Rahmen einer Co-Entwicklungsphase an der Entwicklung teilhaben lassen. Durch diese Kombination von internen und externen Faktoren konnten viele Unternehmen den Schritt in die Welt der generativen KI gehen und von den neuen Möglichkeiten profitieren. Datenschutz und Regulierungen bremsen den KI-Einsatz in Finanzinstituten Wie bei vielen neuen Technologien sind auch im Falle der generativen KI wichtige Voraussetzungen die Einhaltung der Vorgaben zum Datenschutz und anderer regulatorischer Anforderungen. Gerade im Finanzsektor ist die Verarbeitung sensibler Daten ein zentraler Punkt, der bei der Auswahl und dem Einsatz von KI-Lösungen bedacht werden muss. Auch die Akzeptanz unter den Beschäftigten stellt eine Herausforderung dar, da zumeist Ängste vor einem Ersatz durch Maschinen bestehen. Die vorliegende Studie des IFZ „Generative AI in Finance“ zeigt, dass die Anzahl finanzbranchenspezifischer Anwendungsfälle kontinuierlich zunimmt. Zudem kann festgestellt werden, dass Banken und Versicherungen regelmäßig neue KI-Anwendungen pilotieren, prüfen und testen. Das Interesse am Einsatz von GenAI wächst mit der Erfahrung. Die Einsatzgebiete weiten sich aus. Gleichzeitig ist die Finanzbranche aber auch durch regulatorische Anforderungen gebremst. Sicherheitsund Datenschutzabklärungen zu AI-Services nehmen häufig viel Zeit und Aufmerksamkeit in Anspruch. Zudem stellen On-Premisebzw. Private-Cloud-Installationen Herausforderungen bezüglich der Infrastruktur dar. Mit der GenAI-Skala den passenden KI-Use-Case finden Die Studie des IFZ führt die GenAI-Skala ein, um Anwendungen von generativer KI zu klassifizieren. Die Skala orientiert sich an der „Sichtbarkeit“ der KI-Lösungen und reicht von kundenorientierten Lösungen wie Chatbots über Tools zur Unterstützung von Beschäftigten bis hin zu vollständig automatisierten Prozessen. Besonders häufig in der Praxis implementiert sind Anwendungen, die Sophie Hundertmark gehörte nach Stationen in der Industrie und in Agenturen zu den ersten Masterstudentinnen in der Schweiz, die zu Chatbots forschten. Sie promoviert an der Universität Fribourg und arbeitet als Programmleiterin des akademischen Weiterbildungsprogramms „AI im Banking“ am Institut für Finanzdienstleistungen Zug der Hochschule Luzern (IFZ). Sie verfügt über langjährige Erfahrungen als Beraterin für die strategische Begleitung sowie Umsetzung von KI und Chatbot-Projekten. Prof. Dr. rer. pol. Nils Hafner ist internationaler Experte für den Aufbau langfristiger, profitabler Kundenbeziehungen. Er ist Professor für Kundenbeziehungsmanagement am Institut für Finanzdienstleistungen Zug der Hochschule Luzern (IFZ). Seit 2020 wirkt er zudem als Co-Autor des CEX Trendradar, der inzwischen international eine relevante Entscheidungsgrundlage für Technologie und Prozessberatungen im Topmanagement geworden ist und von TechnologieAnbietern systematisch gefördert wird. 36 Rethinking Finance 3.2025 Juni 2025 Finance Excellence dungen auf der rechten Seite des Strahls sind dunkelverarbeitete Automatisierungen, denen lediglich die Steigerung der Prozesseffizienz von Nicht-Kunden-Prozessen als Ziel zugrunde liegt. Die von der Hochschule Luzern entwickelte GenAI-Skala kann als zentrale Orientierung im Hinblick auf die Einordnung von Generative-KIAnwendungen für Banken dienen. Finanzunternehmen können so Generative-KI-Anwendungen, die eher im Hinblick auf eine direkte Bedienung durch Kunden vorgesehen sind, differenziert betrachten zu denen, die eher eine automatisierte Dunkelverarbeitung ermöglichen. Generative-KI-Anwendungen im Marketing werden als besonders vielversprechend wahrgenommen. Die folgende Abbildung zeigt die evaluierten Generative-KI-Anwendungen im Hinblick auf Finanzinstitute. Kundenanwendungen automatisierte Dunkelverarbeitung 12 34 67 89 10 5 Abbildung 1: Die GenAI-Skala gezielt auf ein klar definiertes Ziel hin entwickelt wurden, wie zur Optimierung von Kundenerlebnissen oder für die Automatisierung standardisierter Prozesse. Grafisch wird die neue GenAI-Skala wie folgt dargestellt: Anwendungen, die ganz oder eher links auf dem Strahl liegen, beschäftigen sich mit GenKIAnwendungen zwischen Kunde und Unternehmen. Ziel ist es hier, dem Kunden ein besseres Kundenerlebnis bieten zu können und darüber hinaus auch Kosten durch Self-Service-Anwendungen einzusparen. Anwendungen, die sich auf der Mitte des Strahls befinden, sind eher zum Einsatz innerhalb der Organisation des Unternehmens ausgerichtet. Sie haben zum Ziel, die Zufriedenheit der Beschäftigten und ihre Produktivität zu erhöhen. Anwen12 34 67 89 10 5 Kundenanwendungen automatisierte Dunkelverarbeitun g Chatbots in der Produktberatung Chatund Voicebots im Kundenservice AgentenUnterstützung am Telefon AgentenUnterstützung am Telefon Einsatz für Marketingtexte, wie Newsletter oder Social Media Nutzung des Microsoft Co-Piloten durch Beschäftigte Nutzung von ChatGPT durch Beschäftige Branchen-spezifische Generative AI-Agenten Unterstützung in der Software Entwicklung Onboarding und HR-Assistent Bereitstellung von Informationen für den Vertrieb Generierung von Produktbeschreibungen Abbildung 2: Die GenAI-Skala am Beispiel von Finanzunternehmen Finance Excellence 37 Rethinking Finance 3.2025 Juni 2025 In Bezug auf das Nutzen-/Machbarkeitsverhältnis wurden vor allem die Einsatzbereiche „Erstellen von Marketingtexten mittels Generative AI“ sowie „Verfassen von Produktbeschreibungen“ von den befragten Führungskräften als besonders attraktiv angesehen. Das ist vor dem Hintergrund der immer komplexer werdenden Produktwelten im Anlagebereich und der damit verbundenen weltweit komplexer werdenden Einhaltung regulatorischer Vorschriften gut nachvollziehbar. Hier spielt Generative AI ihre Stärken in Bezug auf die mühsame Anpassung von Texten in verschiedenen Sprachen und Gesetzgebungsräumen aus. Auch aus der Perspektive des Marketings mit einem wachsenden Anspruch an Individualisierung und Personalisierung im Finanzbereich kann der beschriebene Einsatz der Anwendungen überzeugen. Das zeigen nicht zuletzt die vielfältigen Case Studys innerhalb der erwähnten Studie „Generative KI in Finance“ auch aus branchenfremden Organisationen. Link zur Studie: https://hub.hslu.ch/retailbanking/ifz-generativeai-in-finance-studie-2024/ Illustration — mesh cube/iStock 38 Rethinking Finance 3.2025 Juni 2025 Finance Excellence Abbildung 3: Screenshot Chatbot Helvetia Versicherungen Schweiz Aus der Praxis: Wie aus einem einfachen SMS-Dienst bei Helvetia Versicherungen Schweiz ein GenAI-Bot wurde Schaut man ganz nach links auf die GenAI-Skala, zeigten sich Chatund Voicebots im Kundenservice oder für Produktberatungen als vielversprechende Anwendungen auch für die Finanzbranche. Dies zeigen nicht nur die Befragungsergebnisse der Studie, sondern ebenfalls der folgende Hintergrundbericht der Helvetia Versicherungen Schweiz zu ihrem Chatbot Clara. Am Anfang war es noch eine SMS Die Helvetia Versicherungen Schweiz mit Sitz in St. Gallen haben sich seit 1858 zu einer erfolgreichen Versicherungsgruppe mit über 12 000 Beschäftigten und mehr als 7 Millionen Kundinnen und Kunden entwickelt 1. Die ersten Schritte im Conversational Bereich, also im Dialog mit der Kundschaft, wurden seitens Helvetia bereits im Jahr 2017 unternommen. Nach einem Design Thinking Workshop wurde ein SMS-Dienst für Fahrraddiebstähle entwickelt. Das Projekt war derart erfolgreich, dass in den darauffolgenden Jahren der Chatbot „Clara“ ins Leben gerufen wurde. Zu Beginn erfolgte die Abbildung spezifischer Anwendungsfälle, wie beispielsweise Schadenmeldungen oder Adressänderungen in einem Chat-Interface mit einem 1 Mehr zu Helvetia: www.helvetia.ch. dynamischen Entscheidungsbaum. Dadurch wurde es Kundinnen und Kunden möglich, diese Anliegen selbstständig und ohne Wartezeiten zu erledigen. Parallel dazu wurde Clara so weiterentwickelt, dass sie auf der Webseite von Helvetia Besucherinnen und Besuchern bei sämtlichen Anliegen unterstützen konnte. Zu diesem Zweck wurde ein Intent-basierter Chatbot mit eigenem Sprachmodell aufgebaut und betrieben. Aufgrund des breiten Angebots von Helvetia waren die Resultate jedoch oft unbefriedigend. Trotz kontinuierlicher Optimierungen erreichte Clara kein zufriedenstellendes Kundenerlebnis. ChatGPT im Chatbot der Helvetia Mit der öffentlichen Bereitstellung der OpenAI-Schnittstelle zu ChatGPT Ende Februar 2023 eröffnete sich für Helvetia die Möglichkeit, die digitale Assistentin Clara weiterzuentwickeln und frühzeitig Erfahrungen mit Large Language Models (LLMs) zu sammeln. Um die Potenziale dieser Technologie besser zu verstehen, wurde ein vierwöchiges Live-Experiment initiiert. Ziel war es, die Zugänglichkeit der Website für Kundinnen und Kunden zu optimieren und die Akzeptanz von KI-gestützten Anwendungen zu evaluieren. Das Experiment verlief erfolgreich. Für die Beantwortung von Anfragen rund um Versicherungen, Vorsorge und Eigenheim griff Clara auf das Sprachmodell GPT-3.5 Turbo zurück, wobei als Wissensbasis ausschließlich Finance Excellence 39 Rethinking Finance 3.2025 Juni 2025 Abbildung 4: Mischung zwischen GPT-Bot und Use-Case-Bots die Webinhalte von Helvetia Schweiz – beispielsweise Produktseiten und Ratgeberartikel – dienten. Nach einer siebenmonatigen Testphase wurde das Experiment abgeschlossen und seit November 2023 ist Clara als Standarddienst mit GPT-4 im Einsatz. Während des gesamten Prozesses konnte das Projektteam das Modell anhand realer Kundenanfragen optimieren. Nutzerinnen und Nutzer hatten die Wahl, ob sie mit der generativen KI-gestützten oder der regelbasierten Version von Clara interagieren wollten. Helvetia legt dabei besonderen Wert auf Transparenz: Die Verwendung von ChatGPT wird klar kommuniziert, ebenso wie die Auswirkungen auf Datenschutz und Nutzungsbedingungen. Eine zentrale Herausforderung bestand in der Integration generativer KI in bestehende digitale Service-Architekturen. Helvetia verfolgt einen hybriden Ansatz, bei dem LLMs gezielt dort eingesetzt werden, wo sie einen Mehrwert bieten, während spezialisierte regelbasierte Bots weiterhin für klar defi nierte Anwendungsfälle genutzt werden. Diese beiden Bot-Welten sind nahtlos miteinander verknüpft, sodass die Nutzerinnen und Nutzer keine Systemwechsel wahrnehmen – für sie gibt es lediglich eine Clara. Die Nutzungsdaten des Experiments zeigen eine interessante Entwicklung: Während anfangs vor allem Technikbegeisterte die neue Clara testeten, verlagerte sich das Interesse später auf konkrete Anwendungsfälle wie Defi nitionen, Deckungsanfragen und Versicherungsbedarf. Dieses Beispiel zeigt eindrucksvoll, wie Unternehmen der Finanzund Versicherungsbranche GenKI erfolgreich und kundenorientiert implementieren können. GenKI bringt die Chat-Antworten auf ein neues Level Aus technischer Perspektive eröff nen LLMs gänzlich neue Möglichkeiten hinsichtlich der Antwortqualität. Die ursprüngliche Version von Clara basierte auf einem vordefi nierten Sprachmodell und war primär Intent-basiert. Diese Art von Chatbots bietet den Vorteil, dass das gesamte Antwortrepertoire deterministisch festgelegt ist, wodurch eine umfassende Kontrolle über das Antwortverhalten von Clara gewährleistet wird. Im Falle des GenAI-Chatbots werden Inhalte in Form eines Prompts an das Sprachmodell übergeben, das daraufhin eine Antwort generiert. Der Prompt setzt sich aus der Nachricht des Nutzers, den relevantesten Inhalten sowie sogenannten Constraints (z.B. Persönlichkeitsbeschreibungen von Clara) zusammen. Auf diese Weise kann auf jede Anfrage individuell reagiert werden. Allerdings besteht das Risiko, dass die Antworten eher ungenau werden. In der IT-Entwicklung lassen sich zwei weitere Veränderungen feststellen. Zum einen wird bislang vorausgesetzt, dass Applikationen bei mehrfacher Eingabe identischer Parameter stets identische Resultate liefern. Anderseits kann bei einem Chatbot, der auf generativer KI basiert, folglich nicht mehr gewährleistet werden, dass bei einer zweiten Anfrage stets die identische Antwort generiert wird. Dies impliziert, dass das Qualitätsmanagement zu einer Herausforderung wird. Zudem basierte die Entwicklung von Applikationen auf der Prämisse, dass die Programmierung einer gewissen Logik und Verlässlichkeit folgt. Die Funktionsfähigkeit der Applikation ist nach der erstmaligen Programmierung gewährleistet. Diese Prinzipien können jedoch bei LLMs nicht länger als gegeben betrachtet werden. Die Erstellung der Prompts erfordert neue Kompetenzen sowie ein hohes Maß an Geduld. Mitunter entscheidet lediglich ein einziges Wort über Erfolg oder Misserfolg. Während des Experiments und auch im laufenden Betrieb hat Helvetia viele Erkenntnisse über den Einsatz von GenKI, das Kundenverhalten und den Umgang mit dieser mächtigen Technologie gewonnen. Die drei wichtigsten Erkenntnisse sind die folgenden: Bislang wird voraus gesetzt, dass Applikationen bei mehrfacher Eingabe identischer Parameter stets identische Resultate liefern. 40 Rethinking Finance 3.2025 Juni 2025 Finance Excellence ■Das Narrativ des „Experiments“ war zielführend, um interne und externe Akzeptanz zu schaffen. Gleichzeitig konnte die Helvetia dadurch sehr schnell agieren und hatten in der Folge Zeit, die technischen und fachlichen „Schulden“ abzuarbeiten und den Dienst nachhaltig in Clara zu integrieren. ■Mit den technischen Möglichkeiten scheinen auch die Erwartungen zu wachsen. Das Analyse-Team rund um Clara beobachtet, dass die Anfragen im Vergleich zu früher deutlich komplexer geworden sind. Die Nutzer verstehen, dass sie mit einem intelligenten Chatbot sprechen und entsprechend steigen die Erwartungen. Wenn sich dieses Bild bestätigt, werden Kundinnen und Kunden bald ausschließlich Chatbots erwarten, die LLM-basierte Fähigkeiten haben. ■Der anfängliche manuelle Aufwand zur Qualitätssicherung sollte nicht unterschätzt werden. Bei der Einführung eines GenAI-Chatbots ist es wichtig, den Bot kennenzulernen und ein Gefühl für Antwortmuster und Wissenslücken zu erhalten. In der Experimentierphase hat das Projektteam alle Gespräche mit Clara gesichtet, um „Kinderkrankheiten“ zu beheben und Vertrauen in Clara aufzubauen. Für das Qualitätsmanagement gibt es jedoch noch keine Plug-and-Play-Lösungen auf dem Markt. Auch hier zeigt sich, dass sich die Technologie zwar rasant entwickelt, aber noch nicht einsatzbereit ist. GenKI macht Chatbots menschlicher Trotz des Mehraufwands ist der Einsatz von generativer KI an der Kundenschnittstelle für Helvetia mit einem großen Mehrwert verbunden. Helvetia verfolgt damit das Ziel, einen neuen Marktstandard für digitale Assistenten in der Versicherungsbranche zu setzen. Mit Clara wollte Helvetia erstmals einen spürbaren Differenzierungsfaktor im Versicherungsmarkt schaffen und die strategische Vision umsetzen, Maßstäbe in der Kunden-Convenience zu setzen. Die Antwortqualität von Clara konnte dank GenKI deutlich verbessert werden. Dies zeigt sich nicht nur qualitativ bei der Betrachtung der Konversationen, sondern auch quantitativ bei den Nutzungszahlen. Waren es im Jahr 2022 noch knapp 95.000 Chats pro Jahr, so stieg die Zahl im Jahr 2023 auf rund 167.000 Konversationen. Ein wesentlicher Teil dieser Nutzungssteigerung kann auf den Einsatz von generativer KI zurückgeführt werden. Die Ausdrucksweise von Clara ist viel menschlicher geworden und die Gespräche können dank ihres erweiterten Wissens besser geführt werden. Die Kundschaft bemerkt den Unterschied in der Intelligenz des Chatbots und der Service wird daher sehr gut angenommen. Generell ist das Feedback sehr positiv. Interessant ist in diesem Zusammenhang, dass neue KI-Produkte, -Modelle und -Funktionen derzeit in immer kürzeren Abständen auf den Markt gebracht werden. Dadurch haben immer mehr Menschen die Möglichkeit, Erfahrungen mit KI zu sammeln und sich an neue, intelligente Chatbots und digitale Dienste zu gewöhnen. Chatbots werden immer mehr zu hilfreichen Assistenten, die bei komplexen Aufgaben und alltäglichen Dingen unterstützen können. Auch Sprachassistenten könnten aufgrund der hohen mobilen Nutzung zentral werden. Aber das sind nur Vermutungen. Für Clara wird es in den nächsten Monaten wichtig sein, die Antwortqualität weiter zu verbessern und Customer Journeys zu optimieren. Dazu werden neue Sprachmodelle getestet und ein automatisiertes Qualitätsmanagement-Tool ist in der Entwicklungsphase. So sollen manuelle Arbeitsprozesse minimiert und der Fokus auf strukturelle Verbesserungen und Weiterentwicklungen gelegt werden. Ziel ist es, Clara als integralen Bestandteil der Website zu positionieren, damit die Besucherinnen und Besucher der Website die Antworten auf ihre Fragen nicht mehr suchen müssen, sondern sofort finden. Man darf also gespannt bleiben. „Wohin uns die KI-Entwicklungen führen werden, ist noch offen. Helvetia ist aber davon überzeugt, dass große Sprachmodelle und GenAI vergleichbare Veränderungen auslösen werden wie die Verbreitung des World Wide Web oder die Einführung des iPhones. Die strategische Verankerung von KI-Themen und Technologien ist dabei eine grundlegende Unternehmensentscheidung. Helvetia sieht nicht nur beim Chatbot Clara, sondern entlang der gesamten Wertschöpfungskette ein großes Potenzial für Weiterentwicklungen, beispielsweise in der Schadenmeldung, der Angebotsentwicklung oder im Wissensmanagement. Versicherungsunternehmen müssen mittelund langfristig entscheiden, wie sie mit den sich verändernden Marktbedingungen umgehen wollen. Es führt kein Weg daran vorbei, sich mit Generative AI auseinanderzusetzen und zu experimentieren, um fundierte Entscheidungen treffen zu können. Nur durch den Aufbau von Know-how kann der anstehende Wandel aktiv mitgestaltet werden.“ So Nadine Schade, Conversational Marketing Manager, Conversational & Marketing Automation, Helvetia Versicherungen Schweiz. Die Nutzer verstehen, dass sie mit einem intelligenten Chatbot sprechen und entsprechend steigen die Erwartungen. Finance Excellence 41 Rethinking Finance 3.2025 Juni 2025 ChatGPT wird als Anwendung vor dem Co-Piloten von Microsoft gesehen Besonders interessant sind die Studienergebnisse zur internen Nutzung von ChatGPT oder dem Microsoft Co-Piloten. Während in den Medien der Co-Pilot oft als der persönliche und intelligente Assistent beschrieben wird, haben die Befragten den Mehrwert des klassischen ChatGPTs höher bewertet. Im Hinblick auf die Nutzung bzw. Machbarkeit von ChatGPT in einem Finanzunternehmen zeigt die Studie, dass zwischen dem klassischem ChatGPT und einem individualisierten ChatGPT mit eigenen Unternehmensdaten unterschieden werden muss. So ist die Einführung des allgemeinen ChatGPTs einfacher als die eines unternehmens-internen mit eigenen angereicherten Unternehmensinformationen. Der Microsoft Co-Pilot wie auch ChatGPT können in Finanzinstituten, sofern die Nutzung Compliance-konform ist, für die Erstellung von Berichten, Analysen und Präsentationen genutzt werden. Das zeigt auch die Einführung der individualisierten Co-Pilot-Lösung „RED“ durch die Großbank UBS. 1 Wichtig ist dabei festzuhalten, dass durch die Integration in bestehende Systeme der Co-Pilot bzw. ChatGPT schnell auf unterneh1 Siehe hierzu Dietrich, Eine Art «Intranet-ChatGPT»-Lösung für Mitarbeitende, 2024, https://fmos.link/29922 (Abruf: 12.05.2025). mensinterne Daten zugreifen und diese für verschiedene Zwecke aufbereiten kann. Ein großes Potenzial haben KI-Assistenten ebenfalls zur Risikobeurteilung bezüglich des Kreditportfoliooder Liquiditätsrisikos, wie die IFZ Studie zeigt. Anzumerken ist in diesem Zusammenhang, dass eine reine Anschaffung von Lizenzen für den Microsoft Co-Piloten oder eine ChatGPT-Lösung und deren Implementation längst nicht ausreicht. Die Beschäftigten müssen zunächst im Umgang mit den neuen KI-Tools geschult werden und anschließend sollten in Form von Co-CreationWorkshops weitergehende Use Cases für den Einsatz der KI-Assistenten entwickelt werden. Wichtig ist hier auch das Sensibilisieren für die Fehleranfälligkeit der KI-Assistenten und das damit verbundene unabdingbar kritische Testen der Ergebnisse einer KI durch Menschen. Der Mensch ist daher bei den meisten Anwendungen zum jetzigen Zeitpunkt der Entwicklungen nicht aus dem Prozess wegzudenken. Das zeigt auch der neu entwickelte KI-Prozess-Kompass. Vom Piloten zur Finanzanwendung – der KI-Prozess-Kompass Eine erfolgreiche Implementierung von GenKI erfordert wie dargestellt eine fundierte mehrstufige Planung. Die Studie der Hochschule Luzern zeigt die wichtigsten Schritte bei der Implementierung von GenKI in Finanzunternehmen anhand des neuen KI-Prozess-Kompass auf: Abbildung 5: KI-Prozess-Kompass: Schritte einer Best-Practice-Prozessbeschreibung für die Finanzbranche 12 35 4 10 98 6 7 11 12 13 1514 Kundenanalyse, Definition Use Cases Machbarkeitsprüfung Generative AI Definition Generative AI-Anwendung Einholen von internen Genehmigungen Auswahl Anbieter oder Sprachmodell Bereitstellung der Daten Erstellung ergänzender Informationen Technische UmsetzungTesting und Optimierungs-Phase Vorbereitung Kommunikation interne Schulungen Rollout externe Kommunikation Monitoring und Optimierungen Einholen von technischen Angeboten 42 Rethinking Finance 3.2025 Juni 2025 Finance Excellence Der Prozess beginnt mit einer Analyse der bestehenden Kundendialoge sowie der Interaktionen mit den Kunden, um aktuelle oder zukünftige Herausforderungen zu identifizieren. In diesem Schritt wird auch der Use Case definiert, beispielsweise mithilfe der Value-Irritant-Matrix von Price und Jaffe (2008) 2. Anschließend erfolgt eine Machbarkeitsprüfung, um festzustellen, ob der Einsatz von Generative AI zur Lösung der Herausforderungen geeignet ist. Sobald die Machbarkeit bestätigt ist, wird die konkrete GenAI-Anwendung festgelegt. Dabei werden die erwarteten Chancen und Ziele definiert, einschließlich der Key Performance Indicators (KPIs). Danach müssen interne Genehmigungen eingeholt werden, was die Sicherstellung des Budgets und die Erfüllung von Compliance-Vorgaben umfasst. Im nächsten Schritt werden Angebote für die technische Umsetzung eingeholt, dem eine „Make or Buy“-Entscheidung vorausgeht. Es folgt die Auswahl eines passenden Technologieanbieters oder die Entscheidung für eine interne Umsetzung (Make). An diesem Punkt wird auch festgelegt, welches Sprachmodell verwendet werden soll. Die Daten werden bereitgestellt und ergänzende Informationen zu Prompts, Finetuning sowie Regeln für das LLM werden erstellt. Daraufhin erfolgt die technische Umsetzung, bei der das Sprachmodell, die Daten, die Prompts und das Finetuning miteinander verknüpft werden. Jetzt kommt eine Phase des Testings und der Optimierung. Gleichzeitig werden alle internen und externen Kommunikationsmaßnahmen vorbereitet. Intern werden Schulungen für die Beschäftigten durchgeführt, um sie im Umgang mit der neuen KI-Anwendung zu schulen. Je nach Unternehmensstrategie erfolgt der Rollout entweder als Soft-Launch oder direkt als finaler Launch. Externe Kommunikationsmaßnahmen begleiten diesen Prozess. Schließlich wird das System kontinuierlich überwacht und Optimierungen werden vorgenommen, um den langfristigen Erfolg zu sichern. Individuelle Anpassungen des KI-ProzessKompass sind notwendig Bei der Einführung von Generative-KI-Anwendungen, die Kunden direkt bedienen können, 2 Vgl. Price/Jaffe, The best service is no service: How to liberate your customers from customer service, keep them happy, and control costs, 2008. wie beispielsweise Chatoder Voicebots, muss berücksichtigt werden, dass neben den internen Stakeholdern vor allem auch die Kundensicht in das Projekt einfließen muss. Die Kunden müssen nicht nur befragt werden, sondern ihre Erwartungen müssen getroffen oder im Idealfall sogar übertroffen werden. Im Hinblick auf mitarbeiterunterstützende GenKI-Anwendungen stellen Anwendungen, die den internen Wissensaustausch vereinfachen sollen, eine oft erwähnte Lösung dar. Gemeint sind hier mehrheitlich Anwendungen zur Entlastung der Personalabteilung, in denen Beschäftigte ihre Fragen rund um die Organisation und zu personalpolitischen Themen mittels einem KI-Chatbot beantwortet bekommen. Sämtliche dieser Anwendungen erfordern eine saubere Anbindung bzw. Vernetzung der Generative AI mit den internen Wissensquellen. Für die Anwendung des KI-Prozess-Kompass bedeutet dies, dass Finanzunternehmen, die den Kompass anwenden, zunächst individuell prüfen müssen, welche Prozessschritte für das Finanzunternehmen, deren Kunden und Beschäftigte wirklich relevant sind und welche eher kurzfristig abgehandelt werden können. Um die individuellen Schritte des KI-ProzessKompass selbst zu definieren und anschließend umsetzen zu können, kann die gesamte Studie inkl. der zwei neuen Tools online auf der Seite der Hochschule Luzern heruntergeladen werden. Fazit GenKI bietet immense Potenziale für die Finanzbranche. Banken und Versicherungen sollten diese Technologie proaktiv nutzen, um wettbewerbsfähig zu bleiben. Der Fokus sollte auf der Balance zwischen Mensch und Maschine liegen, um die gesteckten Ziele zu erreichen, wie beispielsweise personalisierte Kundenerlebnisse. Gleichzeitig sind Investitionen in Datenschutz und kontinuierliche Schulungen unabdingbar. Langfristig wird GenKI nicht nur Effizienzsteigerungen bringen, sondern auch neue Geschäftsmodelle ermöglichen. Das zeigt neben dieser Studie beispielsweise auch der CEX Trendradar 2025, der die Anwendungsbeispiele in den Bereichen Conversation Automation, Customer Analytics und Personalisation Automation noch detaillierter skizziert und weitere Leuchtturmprojekte aufzeigt. Wichtig dabei ist und bleibt die angemessene Implementierung im Rahmen eines Change Projekts im Unternehmen. ■ Finance Excellence 43 Rethinking Finance 3.2025 Juni 2025