Viele Banken produzieren mit KI polierten Schrott statt Mehrwert. Wie Finanzinstitute Workslop erkennen, messbar reduzieren und KI wirklich gewinnbringend nutzen.
Workslop durch KI: Wie Banken sich schĂĽtzen
KI soll Produktivität steigern. In vielen Schweizer Banken und Vermögensverwaltungen sorgt sie derzeit vor allem für eines: polierten Schrott. Hochglänzende PowerPoints, Reports und Mails, die auf den ersten Blick seriös wirken, inhaltlich aber schwach, fehlerhaft oder schlicht überflüssig sind – das ist genau das, was im NZZ-Podcast «Akzent» als Workslop beschrieben wird.
Für die Finanzbranche ist das kein Randphänomen. Wo Vertrauen, Regulierung und Margendruck aufeinandertreffen, kann KI-Müll schnell teuer werden – finanziell, reputativ und regulatorisch. Gleichzeitig bleibt KI ein zentraler Hebel, um Kosten zu senken und neue Ertragsquellen zu erschliessen.
Dieser Beitrag zeigt, was Workslop konkret im Banking bedeutet, warum klassische KI-Strategien daran scheitern – und wie Institute KI so steuern, dass Qualität, Effizienz und Compliance gleichzeitig gewinnen.
Was hinter dem Phänomen «Workslop» wirklich steckt
Workslop ist nicht einfach schlechte Arbeit, sondern gut verpackter Müll, der zusätzlich Aufwand erzeugt.
Das Muster ist in vielen Häusern ähnlich:
- Ein Relationship Manager lässt sich ein Kundendossier von einer KI vorformulieren.
- Die Präsentation sieht sauber aus, nutzt Fachbegriffe, enthält hübsche Charts.
- Beim Gegenlesen fallen jedoch veraltete Zahlen, falsche Referenzen oder nicht FINMA-konforme Formulierungen auf.
- Das Team muss korrigieren, nachrecherchieren, neu schreiben – und verbringt am Ende mehr Zeit als vor dem KI-Einsatz.
Genau hier entsteht Workslop:
KI produziert Inhalt, der „gut genug“ aussieht, um weiterverarbeitet zu werden, aber nicht gut genug ist, um genutzt zu werden.
In der Finanzbranche zeigt sich das besonders stark bei:
- Produkt- und Markt-Updates fĂĽr Kunden
- Investment-Kommentaren und Research-Summaries
- internen Memos und E-Mails
- Regulatorischen Zusammenfassungen und Policies
Der Schaden ist dabei zweifach:
- Versteckte Kosten: Teams investieren Zeit in das PrĂĽfen und Nacharbeiten von KI-Output.
- Qualitätsrisiko: Fehler schaffen es trotz Review in Kundendokumente oder interne Entscheidungen.
Die unangenehme Wahrheit: Ohne klare Spielregeln produziert KI in Banken nicht weniger, sondern mehr Arbeit.
Warum gerade Banken und Vermögensverwalter anfällig sind
Finanzinstitute sind besonders verwundbar, weil sie drei Spannungsfelder gleichzeitig managen mĂĽssen: Regulierung, Geschwindigkeit und Personalstruktur.
1. Hohe Regulierung, niedrige Fehlertoleranz
Falsche oder unvollständige Informationen sind in einer Bank nicht nur peinlich, sie können aufsichtsrechtliche Konsequenzen haben. Beispiele:
- Nicht korrekte Risikohinweise in Anlagevorschlägen
- VerkĂĽrzte oder verzerrte Wiedergabe von Research
- LĂĽckenhafte Dokumentation bei GeeignetheitsprĂĽfungen
KI-Generierung ohne strenge Governance erhöht die Wahrscheinlichkeit genau solcher Fehler – und damit das Risiko für FINMA-Prüfungen, Reputationsschäden und rechtliche Auseinandersetzungen.
2. Wachsender Outputdruck im Vertrieb
Beraterinnen und Berater sollen mehr Kundengespräche führen, mehr Dossiers erstellen, mehr Touchpoints bespielen. KI-Tools versprechen Entlastung – und führen doch häufig zu:
- Massenhaft generierten Standardtexten, die Kundinnen nicht lesen
- generischen Anlagekommentaren ohne klare Meinung
- Präsentationen, die austauschbar klingen und keine Differenzierung schaffen
Das Ergebnis: viel Content, wenig Wirkung – klassischer Workslop.
3. Skill-Gap im Umgang mit KI
Viele Mitarbeitende in Banken sind fachlich stark, aber nicht darin geschult, KI sinnvoll zu steuern. Typische Muster:
- Copy-Paste von Prompts aus dem Internet
- blinder Glaube an „KI wird es schon wissen“
- fehlendes Verständnis für Datenquellen und Trainingsstände
So entstehen Outputs, die „professionell aussehen“, aber auf unsicheren oder falschen Annahmen beruhen.
Typische Workslop-Szenarien im Banking – und ihre Folgen
Die gefährlichsten Formen von KI-Müll sind die, die niemand sofort als Müll erkennt.
Szenario 1: Das generische Markt-Update
Ein Schweizer Vermögensverwalter lässt wöchentliche Markt-Updates von einem Sprachmodell erstellen. Das Briefing ist vage: „Fasse die wichtigsten Marktbewegungen zusammen, Fokus Schweiz und Europa.“
Die Folge:
- Text klingt glatt, nutzt Fachsprache
- Zahlenbasis ist unklar, Quellen fehlen
- es werden US-Daten zu stark gewichtet, lokale Aspekte fehlen
- rechtlich relevante Hinweise sind unvollständig
Die Compliance-Abteilung muss jedes Mail ausführlich prüfen und überarbeiten. Aus einem geplanten 15-Minuten-Prozess werden realistisch 60 Minuten – pro Ausgabe.
Szenario 2: Kundenpräsentation mit Halluzinationen
Für ein Family Office erstellt ein Team eine KI-gestützte Präsentation zu Private Markets. Das Modell erfindet im Hintergrund „aktuelle Studien“ mit plausiblen Titeln, die aber gar nicht existieren.
Wird das nicht bemerkt und in einem Kundentermin präsentiert, leidet die Glaubwürdigkeit massiv. Im schlimmsten Fall zweifelt der Kunde nicht nur an der Präsentation, sondern an der gesamten Research-Kompetenz des Hauses.
Szenario 3: Policy-Entwurf aus KI-Bausteinen
Eine interne Arbeitsgruppe nutzt KI, um eine neue Richtlinie für ESG-Investments zu entwerfen. Das System mischt Teile aus verschiedenen Jurisdiktionen, übernimmt veraltete Definitionen und verwässert bisherige interne Standards.
Fachlich sieht der Text ok aus. Erst im Compliance-Review wird klar: Das Dokument ist widersprüchlich und nicht regulatorisch sattelfest. Die Gruppe arbeitet fast von vorne – der KI-„Abkürzer“ kostet mehrere Wochen.
Diese Beispiele zeigen: Workslop ist selten spektakulär. Er frisst Zeit, Energie und Vertrauen – Stück für Stück.
Von KI-MĂĽll zu messbarem Mehrwert: Ein Praxisrahmen fĂĽr Institute
Finanzinstitute können Workslop nur vermeiden, wenn sie KI als strukturiertes Change-Projekt behandeln – nicht als Spielzeug für einzelne Teams.
Ein praxistauglicher Rahmen besteht aus fĂĽnf Bausteinen:
1. Klar definierte KI-Einsatzfelder
Statt „KI für alles“ braucht es konkrete, eng umrissene Use Cases, etwa:
- Erstentwurf fĂĽr Produktbeschreibungen auf Basis bankeigener Daten
- Zusammenfassung interner Research-Reports in verschiedenen Sprachniveaus
- Generierung von Meeting-Notizen aus Audio-Transkripten
Zu jedem Use Case gehören:
- klares Ziel (Zeitersparnis, Qualitätsverbesserung, Konsistenz)
- definierte Input-Quellen
- definierte Output-Formate
2. KI-Governance und Qualitätsmetriken
Workslop entsteht dort, wo Qualitätsansprüche unklar sind. Banken sollten für KI-Output klare Metriken definieren, etwa:
- Faktenfehlerquote (z.B. < 1 % pro Dokument)
- Anteil Text, der ohne Korrektur ĂĽbernommen werden kann
- Zeitersparnis im Reviewprozess
Dazu gehört auch eine Governance-Struktur:
- Verantwortlichkeiten (Product Owner, Compliance, IT)
- Freigabeprozesse fĂĽr neue KI-Use-Cases
- Dokumentation von Modellen, Versionen, Datenquellen
3. „Prompt Literacy“ als Kernkompetenz
Gute Prompts sind im Banking kein Nice-to-have, sondern eine Risikokontrolle. Was ich in Projekten immer wieder sehe: Schon einfache Schulungen reduzieren Workslop drastisch.
Mitarbeitende mĂĽssen lernen:
- präzise Rahmenbedingungen zu definieren (z.B. „Stand per 30.09.2025“, „berücksichtige nur bankinterne Research-Reports“)
- klare Rollen vorzugeben (z.B. „du bist ein Senior Equity Analyst mit Fokus Schweiz“)
- gewünschte Struktur und Länge zu spezifizieren
- sich automatisch Quellen und Unsicherheiten ausgeben zu lassen
Ein typischer Vorher-Nachher-Unterschied: Statt „Schreibe ein Markt-Update zur Schweiz“ wird formuliert:
„Erstelle ein Markt-Update zur Schweizer Aktienmarktentwicklung im Q3 2025 auf Basis der internen Research-Reports A, B und C. Maximal 400 Wörter, Bullet-Point-Struktur, mit klarer Einschätzung zu Chancen und Risiken für defensive vs. zyklische Sektoren. Markiere Stellen, bei denen Daten älter als 6 Monate sind.“
Der Output ist zielgerichteter, transparenter und deutlich einfacher zu prĂĽfen.
4. Human-in-the-Loop als bewusstes Designprinzip
Anstatt „KI statt Mensch“ braucht es im Banking eher „Mensch als Chefredaktor“:
- KI erstellt EntwĂĽrfe, sammelt Optionen, strukturiert Inhalte.
- Fachpersonen setzen Urteilskraft, Kontext und Verantwortung oben drauf.
Damit das funktioniert, sollten Institute:
- Reviews als Pflichtschritt festschreiben, nicht als Option
- klare Checklisten für die Prüfung von KI-Texten bereitstellen (Fakten, Tonalität, Regulierung, Quellen)
- Feedback-Schleifen ins System einbauen (Was war hilfreich? Was nicht?)
5. Messbare Pilotprojekte statt grosser Visionen
Der sicherste Weg aus dem Workslop ist ein schrittweiser Ansatz:
- Pilotbereich wählen, z.B. ein Team im Wealth Management
- 2–3 Use Cases definieren
- Vorher-Nachher-Messung: Bearbeitungszeit, Fehlerquote, Zufriedenheit
- Technische und organisatorische Learnings dokumentieren
- Skalieren, wo es funktioniert – stoppen, wo es nicht trägt
So entsteht eine KI-Landschaft, in der Mehrwert nachweisbar ist und MĂĽll frĂĽh erkannt wird.
Speziell fĂĽr Schweizer Finanzinstitute: Worauf es jetzt ankommt
Für Banken und Vermögensverwalter in der Schweiz ist 2026 das Jahr, in dem sich entscheidet, ob KI zum Wettbewerbsfaktor oder zur Workslop-Maschine wird.
Drei Punkte sind aus meiner Sicht entscheidend:
1. Qualität vor Quantität bei KI-Initiativen
Lieber fĂĽnf sauber umgesetzte KI-Use-Cases als 50 halbfertige Experimente. Institute sollten sich fragen:
- Bringt der Einsatz konkrete, messbare Vorteile – etwa 30–40 % Zeitersparnis in einem Kernprozess?
- Erhöht er die Beratungsqualität – z.B. besser strukturierte Anlagegespräche, klarere Dokumentation?
- Ist die Lösung prüfbar und auditierbar – also FINMA-fest?
2. Integration in bestehende Kontrollsysteme
KI-Output darf nicht „neben“ Risk, Compliance und Interne Revision laufen. Er muss in bestehende Mechanismen eingebettet werden:
- klare Policies zur Nutzung von generativen Modellen
- Dokumentationspflicht fĂĽr kritische KI-Entscheidungen
- regelmässige Reviews der KI-Modelle und -Prozesse
3. Fokus auf BeraterunterstĂĽtzung, nicht -ersatz
Gerade im Schweizer Private Banking ist Beziehung der zentrale Differenzierungsfaktor. KI sollte Beraterinnen und Berater:
- bei der Vorbereitung von Kundengesprächen unterstützen
- individuell relevante Informationen aus grossen Datenmengen filtern
- Dokumentations- und Nachbearbeitungsaufgaben reduzieren
Wer stattdessen versucht, Beratungstätigkeit voll zu automatisieren, riskiert zweierlei: Workslop im Hintergrund und Misstrauen im Front.
Fazit: KI-Müll ist optional – Qualität ist gestaltbar
Workslop ist kein Naturgesetz der künstlichen Intelligenz, sondern die Folge von unscharfen Zielen, fehlender Governance und mangelnden Skills. Gerade in der Schweizer Finanzbranche lässt sich das nicht lange kaschieren – zu hoch sind regulatorische Anforderungen und Kundenerwartungen.
Institute, die jetzt:
- klare KI-Einsatzfelder definieren,
- Qualitätsstandards und Governance festlegen und
- ihre Mitarbeitenden im professionellen Umgang mit KI schulen,
werden generative KI in den nächsten Jahren als echten Wettbewerbsvorteil nutzen – ohne in poliertem Schrott zu versinken.
Die zentrale Frage lautet daher nicht mehr, ob KI im Banking ankommt, sondern: Wollen Sie mehr Output – oder besseren Output? Wer diese Frage konsequent beantwortet, hat den ersten grossen Schritt aus dem Workslop bereits gemacht.