Business Case für die AI Decision Engine: Was Banken vor dem Start rechnen können

Wer eine AI Decision Engine einführen will, braucht vor dem Start eine Zahl, über die der Vorstand entscheiden kann. Studien liefern dafür eindrucksvolle Bandbreiten, aber keine Zahl für die eigene Bank. Dieser Beitrag zeigt, wie eine Bank den Business Case je Anwendungsfall aufbaut: mit drei Werthebeln, vier Kostenblöcken und vorsichtigen Annahmen in Szenarien. Wie der Nutzen nach dem Start mit einer Vergleichsgruppe gemessen wird, beschreibt unser Beitrag KI-Blase oder echter Nutzen?. Hier geht es um die Rechnung davor.

Was eine AI Decision Engine im Banking entscheidet

Eine AI Decision Engine entscheidet für jeden Kunden und jeden Moment, welche Aktion die Bank auslöst: einen Hinweis, eine Serviceleistung, ein Angebot oder bewusst keinen Kontakt. Sie verbindet Modelle für Wahrscheinlichkeiten mit Regeln, Einwilligungen und einem Kontaktbudget. Wie eine solche Engine aufgebaut ist, haben wir in den fünf Bausteinen der AI Decision Engine beschrieben, typische Anlässe in zehn Anwendungsfällen für Next Best Action.

Für den Business Case ist eine Eigenschaft entscheidend: Die Engine schafft nur dort Wert, wo ihre Entscheidung von dem abweicht, was die Bank heute ohnehin tut. Wer schon eine gute Kampagne für fällige Festgelder hat, gewinnt mit der Engine nur den Unterschied zu dieser Kampagne, nicht den gesamten Umsatz der Wiederanlage.

Was Studien belegen und was nicht

Die veröffentlichten Werte sind Bandbreiten aus Beratungsprojekten und Benchmarks; sie zeigen die Richtung, nicht die Zahl der eigenen Bank. McKinsey beziffert den typischen Umsatzeffekt von Personalisierung auf 10 bis 15 Prozent, mit einer Spanne von 5 bis 25 Prozent je nach Branche und Umsetzungsfähigkeit (McKinsey, Next in Personalization 2021). Für europäische Banken berichtet McKinsey aus eigener Projektarbeit von 20 bis 30 Prozent mehr Kundenengagement, 10 bis 25 Prozent mehr Kundenwert und 15 bis 25 Prozent besserer Kundenerfahrung, wenn KI-gestütztes Kundenwertmanagement konsequent umgesetzt wird (McKinsey, September 2026).

Einzelne Banken nennen eigene Werte. Discovery Bank berichtet, ihr Next-Best-Action-Modell habe die Wirkung von Kundenansprachen um 40 Prozent erhöht; wie das gemessen wurde, beschreibt der Beitrag nicht (Databricks, September 2026). BCG nennt kausale Messung und Inkrementalitätstests für Next Best Action ausdrücklich „essential, not optional“ (BCG, Mai 2026). Eine Übersicht der Studienwerte zu Personalisierungsplattformen bietet unser Beitrag zum Business Case für eine Personalisierungsplattform.

Eine hypothetische Volksbank rechnet drei Fälle durch

Illustration: KI-generiert, hypothetisches Beispiel.

Hypothetisches Beispiel: Der Leiter Vertriebssteuerung einer Volksbank soll dem Vorstand bis Jahresende eine Entscheidungsvorlage für eine Decision Engine vorlegen. Gemeinsam mit einer Controllerin wählt er drei Anwendungsfälle: die Ansprache bei fälligen Festgeldern, ein Signal für drohende Kontokündigungen und einen Servicehinweis nach einer zurückgegebenen Lastschrift. Für jeden Fall rechnen sie drei Szenarien. Die Controllerin besteht darauf, dass der Vorstand zuerst das vorsichtige Szenario sieht. Im Ergebnis trägt der Servicehinweis den Business Case auch im vorsichtigen Szenario, weil er Anrufe vermeidet, während der Festgeldfall stark von der Annahme zum Zusatzeffekt abhängt. Die beiden starten mit dem Fall, der auch bei vorsichtigen Annahmen trägt. Bank und Personen sind frei erfunden.

Drei Werthebel und vier Kostenblöcke

Ein belastbarer Business Case trennt Nutzen und Kosten in wenige, einzeln prüfbare Blöcke. Auf der Nutzenseite gibt es drei Hebel:

• Mehrertrag: zusätzliche passende Abschlüsse, die bleiben, also nach Abzug von Stornos und Widerrufen.

• Bindung: vermiedene Abwanderung, bewertet mit dem Deckungsbeitrag je Kunde über eine vorsichtige Haltedauer.

• Effizienz: vermiedene Kontakte, etwa Anrufe nach einem proaktiven Hinweis, kürzere Bearbeitungszeit und weniger Streuversand.

Dazu kommen Schutzgrößen, die keinen Wert erzeugen, aber den Wert begrenzen: Beschwerden, Werbewidersprüche und Abmeldungen dürfen nicht steigen. Auf der Kostenseite stehen vier Blöcke: Plattform und Lizenz, Integration und Datenanbindung, laufender Betrieb einschließlich Modell- und Inferenzkosten sowie das Fachteam mit Governance, also Freigaben durch Compliance, Datenschutz und Modellvalidierung. Warum gerade die Inferenzkosten bei Agenten wachsen, beschreibt unser Beitrag zu den Kosten der KI-Inferenz.

Die Rechnung je Anwendungsfall

Gerechnet wird je Anwendungsfall, und zwar nur mit dem zusätzlichen Effekt gegenüber heute. Die Grundformel ist einfach: erreichbare Kunden mal Häufigkeit des Anlasses mal zusätzlicher Effekt mal Wert je Ergebnis, abzüglich Kontakt- und Bearbeitungskosten. Jede dieser Größen braucht eine Herkunft.

Erreichbar sind nur Kunden mit passender Einwilligung und freiem Kontaktbudget. Die Häufigkeit des Anlasses und der Wert je Ergebnis kommen aus den eigenen Daten der Bank, etwa aus Fälligkeiten, Kündigungen oder Rücklastschriften der letzten zwölf Monate. Der zusätzliche Effekt ist die einzige echte Annahme. Für ihn gibt es drei Quellen: einen früheren Test der Bank, einen kleinen Pilot oder, wenn beides fehlt, die untere Hälfte veröffentlichter Bandbreiten.

Daraus entstehen drei Szenarien. Das vorsichtige Szenario nutzt den unteren Effekt und eine niedrigere Reichweite, das mittlere den erwarteten Wert, das ehrgeizige den oberen. Gartner empfiehlt für KI-Investitionen, nach Wert je Ergebnis zu steuern statt nach Nutzung (VentureBeat zu Gartner, Oktober 2026). Für den Business Case heißt das: Jedes Szenario endet in einem Wert je gelöstem Anlass, der sich nach dem Start mit einer Vergleichsgruppe überprüfen lässt.

Fünf Fehler, die einen Business Case unglaubwürdig machen

Die meisten überhöhten Business Cases scheitern nicht an der Formel, sondern an fünf wiederkehrenden Fehlern.

1. Gesamtquote statt Zusatzeffekt: Gerechnet wird mit allen Abschlüssen nach einer Ansprache, auch mit denen, die ohnehin gekommen wären.

2. Doppelzählung: Derselbe Kunde taucht in mehreren Anwendungsfällen auf. Weil die Engine je Moment nur eine Aktion wählt, lassen sich die Werte nicht einfach addieren.

3. Kunden ohne Einwilligung: Die Reichweite wird auf den gesamten Bestand gerechnet statt auf die Kunden, die angesprochen werden dürfen.

4. Fehlende Kosten: Governance, Freigaben und laufende Modellkosten fehlen, weil sie in keinem Lizenzangebot stehen.

5. Keine Abbruchregel: Es fehlt die Festlegung, ab welchem Ergebnis nach dem Pilot ein Anwendungsfall gestoppt wird.

Wer diese Fehler vermeidet, legt dem Vorstand eine kleinere, aber verteidigbare Zahl vor.

Datenschutz gehört in die Rechnung

Einwilligungen und Prüfbarkeit sind keine Nebenbedingung des Business Case, sondern bestimmen seine Größe. Die Zahl der Kunden mit gültiger Einwilligung begrenzt die Reichweite jedes Anwendungsfalls. Entscheidungen mit rechtlicher Wirkung, etwa über einen Kredit, dürfen nach Art. 22 DSGVO nicht ausschließlich automatisiert fallen; dort bereitet die Engine vor, und ein Mensch entscheidet. ACCELERAID prüft die Einwilligung vor jeder Ausspielung, liefert erklärbare Ergebnisse ohne automatisierte Einzelentscheidungen und protokolliert jeden KI-Output revisionssicher (ACCELERAID). Die Daten werden in einem ISO-27001-zertifizierten Rechenzentrum in Frankfurt verarbeitet, auf Anfrage On-Premise bei der Bank.

Fünf Punkte zum Mitnehmen

1. Der Business Case einer AI Decision Engine im Banking wird je Anwendungsfall gerechnet und nur mit dem zusätzlichen Effekt gegenüber dem heutigen Vorgehen.

2. Studienwerte wie die 10 bis 15 Prozent Umsatzeffekt von McKinsey zeigen die Richtung; die eigene Zahl entsteht aus eigenen Basiswerten und einer vorsichtigen Annahme zum Zusatzeffekt.

3. Drei Werthebel (Mehrertrag, Bindung, Effizienz) stehen vier Kostenblöcken gegenüber: Plattform, Integration, Betrieb mit Inferenzkosten und Governance.

4. Drei Szenarien mit dem vorsichtigen zuerst machen sichtbar, welche Anwendungsfälle auch bei niedrigen Annahmen tragen.

5. Einwilligungen begrenzen die Reichweite; Abbruchregel und Vergleichsgruppe machen den Business Case nach dem Start überprüfbar.

Illustration: KI-generiert. KI-gestützte Inhalte: Bei der Erstellung unserer Beiträge setzen wir KI-Technologien und automatisierte Agenten ein, unter anderem von Microsoft, Google, OpenAI, Anthropic und weiteren Anbietern. Themen, fachliche Ausrichtung und finale Freigabe liegen bei unserem Team.