83 Prozent der Banken arbeiten mit provisorischen KI-Infrastrukturen.

Diese Zahl aus einer aktuellen empirischen Erhebung unter deutschen Banken hat mich nicht überrascht. Sie beschreibt ziemlich genau das, was ich in Projekten vorfinde.

Provisorisch heißt konkret:

• Das Modell läuft, aber niemand weiß, mit welchem Datenstand es trainiert wurde.
• Deployment bedeutet, dass jemand ein Skript von seinem Rechner startet.
• Monitoring heißt, dass der Fachbereich anruft, wenn die Ergebnisse komisch aussehen.

Für einen Piloten ist das in Ordnung. Piloten sollen schnell zeigen, ob eine Idee trägt. Das Problem entsteht, wenn der Pilot erfolgreich ist: Dann wird das Provisorium zur Produktion erklärt, ohne je dafür gebaut worden zu sein.

Die Studienautoren kommen zum selben Befund: 95 Prozent der Institute haben KI eingeführt oder planen es, aber viele verharren in der Exploration. Es fehlt nicht an Modellen. Es fehlt an strategischer Steuerung, skalierbaren Datenarchitekturen und Governance-Strukturen.

Enterprise AI scheitert selten an der Technologie. Sie scheitert daran, dass der Übergang vom Provisorium zur Plattform nie als eigene Aufgabe behandelt wird.

Genau dieser Übergang ist mein Handwerk: aus einzelnen Piloten eine ML-Plattform machen, mit versionierten Daten, automatisiertem Deployment und Monitoring, das Probleme meldet, bevor der Fachbereich anruft.

Transparenzhinweis: Die Zahlen stammen aus der Studie eines Beratungshauses mit eigenem Vertriebsinteresse an diesem Befund. Die Erhebungsbasis ist allerdings solide dokumentiert: 40 Banken mit rund einem Viertel der Bilanzsumme des deutschen Bankensektors. Die Beschreibung des Provisoriums ist meine eigene Projekterfahrung.