Conversational AI im Banking: sieben Anwendungsfälle aus der Praxis, die Schule machen sollten

Conversational AI – der Oberbegriff für Chat-, Sprach- und Messaging-Systeme auf Basis von Natural Language Processing und maschinellem Lernen – hat im Banking die Pilotphase längst hinter sich gelassen. Laut dem Consumer Banking Survey von Deloitte gaben im Januar 2025 nur 37 % der befragten US-Bankkundinnen und -kunden an, noch nie mit dem Chatbot einer Bank interagiert zu haben – rund zwei Drittel hatten es also bereits getan. Die Akzeptanz war bei Conversational AI im Banking nie wirklich die offene Frage. Die eigene Untersuchung der CFPB ergab, dass alle zehn grössten Geschäftsbanken der USA bereits eine Form von Chatbot im Produktivbetrieb einsetzen.

Die schwierigere Frage war, was die meisten dieser Interaktionen tatsächlich gebracht haben. Der aktuelle World Retail Banking Report von Capgemini zeigt, dass 61 % der Bankkundinnen und -kunden, die einen Chatbot ausprobiert hatten, sich am Ende doch an einen Menschen wandten, weil sie mit der Antwort nicht zufrieden waren – und mehr als sechs von zehn bewerteten das gesamte Erlebnis als bloss durchschnittlich. Gleichzeitig steigen die Abbruchraten bei Anrufen, bei Tier-I- und Tier-II-Banken gleichermassen.

Das ist weniger ein technologisches Versagen als ein Umsetzungsproblem – und einer der deutlichsten Gradmesser dafür, ob die Investitionen einer Bank in digitale Transformation und künstliche Intelligenz tatsächlich verändern, wie Service erbracht wird, oder lediglich ein neues Frontend hinzufügen. Ob man es Conversational Banking, virtuelle Agenten oder schlicht ein smarteres Contact-Center nennt: Die sieben folgenden Anwendungsfälle – Volumenentlastung, Eskalationsdesign, Next Best Action, Kanalabdeckung, Audit-Bereitschaft, Betrugserkennung und Produktivität auf Mitarbeitendenseite – machen den Unterschied zwischen einem Chatbot, der sich einen festen Platz im Service-Mix der Bankenbranche verdient, und einem, der nur eine weitere Warteschlange vor die Warteschlange setzt.

Die Entlastung bei Routineanfragen rechnet sich zuerst

Anfragen mit hohem Volumen und geringer Komplexität bringen bei jedem Conversational-AI-Einsatz nach wie vor die schnellste Rendite.

Das Contact-Center von PostFinance führte 2023 über 240 000 Gespräche mit Agenten – parallel zu 1 Million Interaktionen mit dem virtuellen Agenten, die das Routinevolumen abdeckten: Kontostandsabfragen, Abrufe der Transaktionshistorie, Passwort-Resets und Ähnliches. Genau auf dieses Verhältnis kommt es an: Der Bot konkurriert nicht mit den Agenten um dieselben Kundenanfragen, sondern erledigt jene, für die nie ein Mensch nötig gewesen wäre – und verkürzt dabei die Antwortzeiten bei allem, was er direkt übernimmt.

Dasselbe Muster zeigt sich branchenweit. Bei ING in den Niederlanden löste ein klassischer regelbasierter Chatbot 40 bis 45 % der 85 000 wöchentlichen Kundengespräche der Bank, bevor die Bank ihn mit generativer KI neu aufbaute. Das restliche Volumen – mehr als 16 500 Gespräche pro Woche – landete zwangsläufig bei einem Live-Agenten. Der Wert dieses Anwendungsfalls hat nichts damit zu tun, wie klug die Antworten des Bots klingen. Entscheidend ist, welche Gespräche überhaupt keinen Menschen brauchen – denn genau das schafft die Kapazität, auf die Anwendungsfall Nummer zwei angewiesen ist.

Die meisten Banken haben diesen Wert allerdings noch nicht realisiert – das sollte man klar benennen. Laut Capgemini haben nur 6 % der Retail-Banken eine unternehmensweite Roadmap für die Skalierung KI-gestützter Transformation entwickelt, während die Mehrheit noch isolierte Pilotprojekte betreibt. Gerade deshalb ist der Einsatz bei PostFinance ein nützlicher Referenzpunkt: Volumenentlastung ist dort kein Pilot, sondern läuft lange genug und in ausreichend grossem Umfang, um sich als struktureller Wandel in der Personalplanung des Kundenservice niederzuschlagen.

Der eigentliche Wert liegt in der Eskalation, nicht in der Entlastung

Ein Chatbot, der nicht sauber an einen Menschen übergeben kann, schafft mehr Risiken, als er beseitigt.

Finanzinstitute sollten Chatbots nicht als primären Servicekanal einsetzen, wenn einigermassen klar ist, dass der Bot das Anliegen der Kundschaft nicht erfüllen kann – davor warnte die CFPB in ihrer Untersuchung von 2023, nachdem ein wachsender Anteil der Beschwerden Kundinnen und Kunden beschrieb, die ohne Weg zu einem Menschen in ungelösten Schleifen feststeckten.

Der Einsatz bei der Schweizerischen Post ist ein klares Gegenbeispiel. Die Servicequote des Bots stieg innerhalb von rund 18 Monaten von 55 % auf 72 % – nicht, weil der Bot für sich genommen intelligenter wurde, sondern weil er zusammen mit Live Chat und WhatsApp und mit integrierter Übergabe an Menschen betrieben wird. Der Chatbot versucht nicht, die ganze Antwort zu sein. Er ist eine Etappe in einem Gespräch, das ein Mensch übernehmen kann, ohne dass die Kundschaft von vorne beginnen muss. Diese Designentscheidung – nicht das zugrunde liegende Modell – bestimmt, wie viel Volumen eine Bank sicher automatisieren kann.

Hinzu kommt eine Vertrauens- und Customer-Experience-Dimension, die sich mit jeder schlechten Erfahrung verstärkt. Capgemini zufolge misstrauen 17 % der Bankkundinnen und -kunden Chatbots grundsätzlich und bevorzugen einen menschlichen Agenten – unabhängig davon, wie gut der Bot tatsächlich funktioniert. Ein sauberer, sichtbarer Eskalationspfad löst für dieses Kundensegment nicht nur die unmittelbare Anfrage. Er sorgt dafür, dass das Kundenengagement nach einem missglückten ersten Versuch erhalten bleibt und die Kundschaft dem Bot beim nächsten Mal eine neue Chance gibt, statt ihn aus Gewohnheit zu umgehen und direkt das Callcenter anzurufen.

Das Servicegespräch wird zum Moment für die Next Best Action

Dasselbe Gespräch, das eine Anfrage löst, ist auch der beste Zeitpunkt für Beratende, ein passendes Angebot zu machen.

Bei der BPER Banca sank die durchschnittliche Bearbeitungszeit von Gesprächen über Live Chat und den KI-Chatbot um 20 % – mit 700 Beratenden, die mit Sidekick arbeiten, integriert in das Salesforce-CRM der Bank und gestützt auf von der Bank freigegebene Wissensdokumente. Ein kürzeres, besser informiertes Gespräch wird nicht nur schneller abgeschlossen. Es schafft innerhalb derselben Interaktion Raum dafür, dass die Beratenden – nicht der Bot – das nächste relevante Produkt ansprechen: eine personalisierte Empfehlung, abgestimmt auf das Gespräch statt auf eine generische Kampagne, solange der Kontext noch präsent ist.

Diese Abfolge ist wichtiger als die Automatisierung selbst. Die Aufgabe des Bots ist es, den Informationsaufwand abzuarbeiten; die Aufgabe der davon entlasteten Beratenden ist die Ermessensentscheidung, die ein Next-Best-Action-Moment tatsächlich erfordert. Genau diese Art der Integration – Daten aus CRM und Kernbankensystemen fliessen in dasselbe Gespräch ein, das die Beratenden bereits führen – unterscheidet einen echten Next-Best-Action-Impuls von einem generischen Cross-Selling-Banner.

Das deckt sich mit der Richtung, in die sich der Gesamtmarkt laut Capgemini entwickelt: Banken, die umfassende Kundendaten mit KI kombinieren, um passgenauere Angebote zu machen, stellen fest, dass sich diese Personalisierung direkt in Umsatzwachstum niederschlägt – nicht nur in Zufriedenheitswerten –, während sich der Wettbewerb um den Share of Wallet verschärft. Der Mechanismus ist derselbe, auf den die Zahlen der BPER hinweisen. Ein schnelles, gut informiertes Gespräch ist nicht nur günstiger. Es ist der Moment, in dem eine Bank über den meisten Kontext und die grösste Aufmerksamkeit verfügt – und damit der falsche Moment, um ihn mit einer Anfrage zu vergeuden, die der Bot dreissig Sekunden früher hätte erledigen können.

Die Kundschaft wählt den Kanal – Conversational AI muss folgen

Conversational AI auf einem Kanal einzusetzen, während sich die Kundschaft auf drei anderen bewegt, verfehlt den Zweck.

Die Schweizerische Post bearbeitet heute über 200 000 Supportanfragen pro Monat über Chatbot, Live Chat und WhatsApp – allein über WhatsApp wurden wenige Wochen nach dem Start mehr als 4000 Gespräche geführt. Zwanzig Prozent der Anfragen, die früher per Telefon oder E-Mail eingingen, laufen heute über Live-Textkanäle.

Diese Verlagerung geschah nicht, weil WhatsApp dem Telefonsupport überlegen wäre. Sie geschah, weil sich die Kundschaft bereits dort aufhielt. Ein Conversational-AI-Anwendungsfall, der auf einen einzigen Kanal beschränkt ist, ist eigentlich nur ein Pilot mit besserer PR; die Version, die die Wirtschaftlichkeit des Contact-Centers verändert, ist darauf ausgelegt, der Kundschaft zu folgen – statt darauf zu warten, dass die Kundschaft zu ihr kommt.

Kanalabdeckung wirkt allerdings in beide Richtungen. Zu derselben Gruppe, die zunehmend zu WhatsApp oder In-App-Chat greift, gehören auch die oben erwähnten 17 %, die lieber mit einem Menschen als mit einem Bot sprechen. Der Kundschaft zu folgen bedeutet, auf denselben Kanälen auch einen Live-Agenten erreichbar zu halten, nicht nur einen Bot – so lösen Kanalwahl und Eskalationsdesign am Ende dasselbe Problem aus zwei Richtungen.

Und die Liste der Kanäle wächst weiter. Laut McKinsey nutzen bereits 23 % der Konsumentinnen und Konsumenten mindestens monatlich generative KI für Finanzaufgaben – ein Kanal, der vor zwei Jahren in der Kontaktstrategie der meisten Banken kaum existierte. Ein Conversational-AI-Einsatz, der darauf ausgelegt ist, sich über mehrere Kanäle zu erstrecken, statt einen einzelnen zu besetzen, muss nicht jedes Mal neu aufgebaut werden, wenn sich das Kundenverhalten erneut verändert.

Jedes KI-gestützte Gespräch muss einem Audit standhalten

Ein Conversational-AI-Einsatz, der keine lückenlose Dokumentation liefern kann, ist ein Compliance-Risiko, das nur darauf wartet, sichtbar zu werden.

Die CFPB stellte in ihrer Untersuchung von 2023 ausdrücklich fest, dass ungenaue oder unvollständige Chatbot-Antworten einen Verstoss gegen den Consumer Financial Protection Act darstellen können – unabhängig davon, ob jemand in der Bank den Schaden beabsichtigt hat. Dieses Risiko verschwindet nicht mit einem besseren Modell; es ist ebenso eine Frage der regulatorischen Compliance wie eine Produktfrage. Adressiert wird es auf Plattformebene: durch das, was protokolliert, aufbewahrt und auf Anfrage gemäss den jeweils geltenden regulatorischen Anforderungen vorgelegt werden kann.

Hier leisten auditierte Zertifizierungen – nicht Marketingversprechen – die Überzeugungsarbeit, ob es nun um SOC 2, ISO 27001 oder PCI DSS für alles geht, was Zahlungskartendaten berührt. Die Plattform von Unblu ist nach SOC 2 Type 2 zertifiziert, auditiert von BDO anhand der AICPA Trust Service Criteria, und verfügt zudem über die Zertifizierungen ISO 27001, 27017 und 27018 für Cloud-Anwendungssicherheit und Datenschutz. Für Compliance-Verantwortliche, die Conversational AI anhand dieser regulatorischen Anforderungen bewerten, ist das der Anwendungsfall hinter dem Anwendungsfall: nicht, ob der Bot eine Frage beantworten kann, sondern ob die Bank Monate später auf Abruf exakt rekonstruieren kann, was er gesagt hat und warum.

Der Umfang des Audits ist dabei ebenso wichtig wie die Zertifikate selbst. Die SOC-2-Type-2-Bestätigung von Unblu umfasst genau die Infrastruktur, auf der die Gespräche laufen – Deployments auf der Google Cloud Platform und der Swiss Open Telekom Cloud –, abgesichert durch ein zugesagtes SLA von 99,75 % für die Unblu Financial Cloud. Das ist der Unterschied zwischen einem Anbieter, der abstrakt eine Zertifizierung anführt, und einem, dessen Auditoren die Umgebung, durch die die Kundengespräche einer Bank laufen, tatsächlich geprüft haben.

Betrug erkennen, bevor die Kundschaft ihn melden muss

Betrugserkennung gehört zu den Anwendungsfällen, deren Automatisierung Bankmitarbeitende selbst am meisten befürworten – und Conversational AI steht dabei zunehmend an vorderster Front.

Bankmitarbeitende zeigen laut Capgemini für generative KI-Co-Piloten, die die Betrugserkennung automatisieren, mehr Begeisterung als für nahezu jede andere Anwendung – noch vor Datenvisualisierung und dem Verfassen personalisierter Kundeninhalte. In der Praxis bedeutet das: Dieselbe Conversational-Ebene, die eine Kontostandsabfrage bearbeitet, kann auch einen Betrugs- oder Sicherheitsalarm auslösen, sobald ein Transaktionsmuster auffällig wirkt – und so Kundschaft oder Beratende alarmieren, bevor es überhaupt zu einer Reklamation kommt.

Das überschneidet sich bewusst mit dem oben beschriebenen Anwendungsfall der Audit-Bereitschaft. Ein Betrugsalarm, der über einen protokollierten, auditierbaren Kanal übermittelt wird, erfüllt zwei Aufgaben zugleich: Er meldet die Auffälligkeit, und er erzeugt die Dokumentation, die ein Compliance-Team benötigt, falls aus dieser Meldung später eine formelle Reklamation wird.

Der Produktivitätsgewinn reicht über die Kundschaft hinaus – bis zu den Menschen hinter dem Bot

Der nachhaltigste Anwendungsfall für Conversational AI ist gar nicht kundenseitig. Entscheidend ist, wofür der Bot den Beratenden oder Agenten anschliessend Zeit verschafft.

McKinsey schätzt, dass generative KI dem Bankensektor jährlich 200 bis 340 Milliarden US-Dollar an zusätzlichem Wert bringen könnte – das entspricht 9 bis 15 % des operativen Gewinns der Branche –, wobei der Grossteil aus Produktivitätsgewinnen statt aus neuen Umsätzen stammen dürfte. Die kundenseitigen Anwendungsfälle von Conversational AI sind die sichtbaren. Der Grossteil des Werts entsteht jedoch hier.

Speziell in Contact-Centern der Vermögensberatung kann Conversational AI laut Capgemini die von Menschen bearbeiteten Anrufe um 26 % und die Servicekosten um bis zu 30 % senken – innerhalb von 12 bis 24 Monaten. Eine anonymisierte britische Investmentbank steigerte dabei die Containment-Rate ihres Chatbots von 30 % auf 65 bis 70 %. Der Einsatz bei PostFinance weist Effizienzgewinne aus, die rund 40 Vollzeitstellen entsprechen – erzielt durch Automatisierung über alle betriebenen Kanäle hinweg.

Solche Zahlen tauchen selten auf einem kundenseitigen Dashboard auf – genau deshalb wird dieser Anwendungsfall in den meisten Business Cases für Conversational AI unterschätzt. Das messbarste Ergebnis des Bots ist nicht das Gespräch, das er führt, sondern das Gespräch, das er jemand anderem abnimmt. Die 40 Vollzeitstellen bei PostFinance sind einer der wenigen Fälle, in denen die oben genannte abstrakte McKinsey-Schätzung zu einer Zahl wird, mit der eine Contact-Center-Leitung tatsächlich ihre Personalplanung machen kann.

Was diese sieben Anwendungsfälle verbindet

Keiner dieser Anwendungsfälle dreht sich eigentlich um den Bot. Es geht darum, wo eine Bank die Übergabe ansetzt: welche Gespräche sie vollständig abgibt, welche sie wann an einen Menschen übergibt und was dabei protokolliert wird. Stimmt diese Abfolge, schafft ein Conversational-AI-Einsatz gleichzeitig Mehrwert bei Servicekosten, Beratungszeit und Audit-Bereitschaft. Stimmt sie nicht, verlagert er denselben Engpass lediglich einen Bildschirm nach vorne – genau das Ergebnis, das hinter der eingangs erwähnten 61-%-Zahl von Capgemini steht.

Dafür ist auch nicht zwingend ein vollständig autonomer KI-Agent nötig. Jedes dieser sieben Muster funktioniert mit einer Conversational-Ebene, kombiniert mit menschlicher Aufsicht im richtigen Moment – noch weit entfernt von der agentischen KI, nach der manche Deployments in der Bankenbranche inzwischen greifen.

PostFinance, BPER Banca und die Schweizerische Post betreiben recht unterschiedliche Deployments – Volumenentlastung im Retail-Geschäft, durch Beratende unterstützten Service und Multikanal-Orchestrierung –, doch alle behandeln das Design der Übergabe als das eigentliche Produkt und nicht als nachträglich an einen Chatbot angeflanschtes Detail. Dieses Muster lohnt es sich zu übernehmen – mehr als jede konkrete Anbieter- oder Modellwahl.

Unblu unterstützt dies mit Secure Messenger, Live Chat und Co-Browsing – einsetzbar in der Cloud, in der souveränen Schweizer Cloud oder On-Premise, je nach den Anforderungen einer Bank an die Datenresidenz.