Für Unternehmen in einem regulierten Umfeld stellt sich nicht mehr die Frage, ob KI eine Rolle spielt, sondern wie sie sich in ein Umfeld integrieren lässt, das von regulatorischen Anforderungen geprägt ist und wo DSGVO, DORA und Co. vorherrschende Themen sind. Dabei haben wir spannende Beobachtungen gemacht und Erfahrungen gesammelt.
Was wir bei unseren Kund:innen erleben: Standardlösungen passen nicht
Der Griff zu „Out-of-the-box"-KI-Produkten ist verlockend und klingt naheliegend. Für erste Gehversuche ist er auch oft sinnvoll. Für den strategischen Einsatz im Kerngeschäft hingegen stoßen wir schnell an Grenzen: Finanzdienstleister arbeiten mit hochsensiblen Kundendaten, die unter DSGVO und weiteren aufsichtsrechtlichen Vorgaben stehen. Das Einspeisen dieser Daten in öffentlich zugängliche Large Language Models ist in den meisten Szenarien schlicht nicht zulässig und auch nicht vereinbar mit den Werten unserer Kund:innen.
Die Konsequenz: Cloud-gehostete LLMs als Fundament – auf Infrastruktur, die man kontrolliert. Wer die Cloud-Transformation in den letzten Jahren konsequent mitgegangen ist, hat jetzt einen strukturellen Vorteil: Die Infrastruktur steht, die Prozesse sind etabliert, die Sicherheitsarchitektur ist erprobt. Was wir hingegen bei Unternehmen beobachten, die Cloud als Hype abgetan haben, ist ernüchternd. Sie kämpfen heute an zwei Fronten gleichzeitig: nachholende Cloud-Migration und KI-Einführung. Das kostet Zeit, die Wettbewerber:innen bereits in konkrete Anwendungsfälle investieren. Einer unserer Versicherungskunden hat genau deshalb früh auf eine saubere Cloud-Basis gesetzt – das Sprachmodell läuft in einer privaten Cloud-Umgebung, die Datenhoheit verbleibt vollständig im Haus, und die Infrastruktur wächst einfach mit, wenn der Bedarf steigt. Das schafft die Voraussetzung für alles, was danach kommt.
Ein wiederkehrendes Muster: Vier Stufen, die wirklich funktionieren
Was wir bei Bankdienstleistern und Versicherern beobachten, folgt einem konsistenten Muster. Es beginnt selten mit der „großen KI-Lösung" und das ist kein Zufall. Wir haben gelernt, dass nachhaltiger Erfolg fast immer auf demselben Stufenmodell basiert.
Technische Souveränität herstellen: Bevor irgendjemand im Unternehmen produktiv mit KI arbeitet, steht die Infrastrukturentscheidung. Wer eine saubere Cloud-Basis hat, kann hier direkt aufsetzen und Datenschutz- sowie Compliance-Anforderungen von Anfang an erfüllen, statt sie nachträglich zu flicken. Wer die Cloud-Transformation hingegen noch vor sich hat, sollte sie spätestens jetzt als Teil der KI-Initiative angehen – beides getrennt voneinander zu lösen kostet doppelt. Das ist die Investition, die sich später mehrfach auszahlt.
Breite Zugänglichkeit schaffen: Im zweiten Schritt erhalten alle Rollen im Unternehmen Zugang zu einem klassischen Chat-Interface – vergleichbar mit ChatGPT, aber auf der eigenen Infrastruktur. Was wir dabei beobachten: KI wird im Alltag erlebbar, Hemmschwellen sinken, und die Organisation lernt kollektiv, was das Werkzeug kann und was nicht. Der entscheidende Hebel für den Mehrwert ist dabei nicht das Modell selbst, sondern die schrittweise Anbindung eigener Wissensquellen: Wir beginnen in unseren Projekten typischerweise mit öffentlich zugänglichen oder unkritischen Dokumenten – Richtlinien, Produktdokumentationen, regulatorische Texte – und erschließen nach und nach interne Quellen wie Prozessdokumentationen, Vertragsunterlagen oder Wissensdatenbanken. Je mehr relevantes internes Wissen das System kennt, desto konkreter und verwertbarer werden die Antworten. Genau dieser Schritt ist nicht selten der entscheidende Hebel für die interne Akzeptanz – nicht die technisch ausgefeilteste Lösung, sondern die zugänglichste und am besten informierte.
Rollenspezifische Vertiefung: Auf dieser Basis erschließen wir gemeinsam mit unseren Kund:innen gezielte Anwendungsfälle für einzelne Nutzergruppen. Hier gilt: Wer nur einen Hammer hat, sieht in allem einen Nagel und genau das ist die Falle bei der KI-Einführung. Nicht jede Rolle braucht dasselbe Werkzeug. Der Fachbereich profitiert oft schon durch einen einfachen Chat: strukturierte Abfragen gegen interne Dokumente, schnelle Zusammenfassungen, Recherche-Unterstützung. Das erzeugt spürbaren Mehrwert, ohne den Arbeitsalltag auf den Kopf zu stellen. Für Entwickler:innen ist die Integration in die IDE der entscheidende Schritt: weniger Kontextwechsel, schnellere Orientierung in komplexen Codebasen, kürzere Entwicklungszyklen. Business Analysts wiederum nutzen KI, um Konzepte zu schärfen, Anforderungen zu strukturieren oder Testfälle abzuleiten – Tätigkeiten, die vorher unverhältnismäßig viel Zeit gekostet haben. Was wir dabei lernen: Der größte Widerstand entsteht, wenn KI als Einheitslösung eingeführt wird. Der größte Erfolg, wenn sie zur Rolle passt und wenn die Nutzer:innen voneinander lernen. Was wir in unseren Projekten immer wieder erleben: Communities of Practice, in denen Erfahrungen, Prompts und Anwendungsfälle offen geteilt werden, sind oft wirkungsvoller als jedes strukturierte Training. Das Wissen, wie man KI sinnvoll einsetzt, entsteht im Austausch von positiven Erfahrungen, nicht im Schulungsraum.
Integration in Fachanwendungen: Die derzeit wirkungsvollste Ausbaustufe, an der unsere Kund:innen arbeiten, ist die Einbettung von KI direkt in operative Prozesse und fachliche Anwendungen. Ein Anwendungsfall eines unserer Kund:innen, der bereits umgesetzt ist und täglich von vielen Sachbearbeiter:innen genutzt wird: die Integration in das bestehende Workflowsystem und die Aufgabensteuerung. Hier kann direkt aus ihrem Arbeitskontext heraus mit Schadenakten interagiert, relevante Informationen abgefragt und Zusammenhänge erschlossen werden, ohne zwischen Systemen zu wechseln. KI ist dort kein separates Tool, das man zusätzlich bedienen muss, sondern ein integrativer Teil des Prozesses. Genau das ist der Unterschied zwischen einem nützlichen Feature und einem echten Wettbewerbsvorteil.
Unser Fazit: Wer jetzt das Fundament legt, baut den Vorsprung
Die regulatorische Komplexität, die in der Finanzdienstleistung oft als Bremse gilt, kann zum Differenzierungsmerkmal werden – für Unternehmen, die ihre KI-Architektur von Anfang an sauber aufsetzen und schrittweise skalieren. Was wir von unseren Kund:innen mitnehmen: Der Vorsprung entsteht nicht durch das mutigste Experiment, sondern durch das solideste Fundament.
Wenn Sie wissen möchten, wie dieser Weg für Ihr Unternehmen aussehen kann, wir teilen unsere Erfahrungen gerne. Sprechen Sie uns an.
BBHT Innovation Lab – Ihr Einstieg in die Anwendung generativer KI
Die spannendsten Potenziale entstehen dort, wo Ideen ausprobiert werden. Gleichzeitig wirft der Einstieg in generative KI viele Fragen auf: Wo anfangen? Welche Use Cases lohnen sich? Wie gelingt die Umsetzung?
In unserem Innovation Lab unterstützen wir Sie dabei, genau diese Fragen strukturiert zu beantworten – von der ersten Idee bis zum konkreten Prototyp.
