Künstliche Intelligenz in den Basler Banken

Die Basler Banken reichen von den Niederlassungen der UBS über die Basler Kantonalbank und ihre Tochter Bank Cler bis zu Privatbanken und den lokalen Niederlassungen ausländischer Institute, wie Teil E, Kapitel I beschrieben hat. Ihr Einsatz künstlicher Intelligenz folgt dem Muster der Schweizer Bankenbranche insgesamt: Die grössten Institute betreiben eigene Programme, während kleinere Banken auf die Produkte von Softwarelieferanten und Anbietern von Kernbankensystemen zurückgreifen.¹ Eine 2024 veröffentlichte Umfrage der FINMA ergab, dass rund die Hälfte der befragten Institute bereits künstliche Intelligenz einsetzte oder Anwendungen entwickelte, mit durchschnittlich mehreren Anwendungen pro Institut. Die Umfrage zeigte zudem, dass die meisten dieser Anwendungen auf Modellen einer kleinen Zahl externer Anbieter beruhten.²

Die Geldwäschereibekämpfung ist das Gebiet, auf dem der Nutzen am greifbarsten ist. Die herkömmliche Transaktionsüberwachung beruht auf Regeln, etwa Schwellenwerten für Bareinzahlungen oder Warnmeldungen bei Überweisungen in Hochrisikoländer, die eine grosse Zahl falsch positiver Treffer erzeugen, welche die Analysten einzeln prüfen müssen. Modelle des maschinellen Lernens können Warnmeldungen nach Risiko ordnen, Netzwerke verbundener Konten erkennen und Muster aufdecken, die keine feste Regel vorhergesehen hat. Das Geldwäschereigesetz (GwG) und die Geldwäschereiverordnung-FINMA (GwV-FINMA) überlassen die Wahl der Methode dem Institut, sofern sein Überwachungssystem wirksam ist und seine Abklärungen dokumentiert sind.³ Dieselben Werkzeuge helfen bei den Know-your-Customer-Prozessen. Sie entnehmen Daten aus Pässen, Handelsregistern und Trusturkunden, gleichen Namen mit Sanktionslisten und negativen Medienberichten ab und stellen das Profil zusammen, das der Compliance-Verantwortliche vor der Aufnahme einer Geschäftsbeziehung prüft.

Die Betrugsprävention ist ein zweites etabliertes Gebiet. Kartenherausgeber und Zahlungsdienstleister in der Schweiz bewerten Transaktionen mit Echtzeitmodellen, während Banken mithilfe von Verhaltensanalysen die Übernahme von Konten und den sogenannten Authorised Push Payment Fraud erkennen, bei dem Kundinnen und Kunden dazu verleitet werden, Geld an Kriminelle zu überweisen. Kreditentscheide bilden ein drittes Gebiet, wobei Schweizer Banken automatisiertes Scoring vor allem im Konsumkredit- und Leasinggeschäft einsetzen und viel weniger bei Hypotheken und Krediten an kleine Unternehmen, wo die Kundenberater nach wie vor auf der Grundlage persönlicher Kenntnis und von Sicherheiten entscheiden.⁴

Die Anlageberatung hat sich langsamer verändert. Robo-Advisors, die Portfolios anhand von Fragebögen zusammenstellen, traten in der Schweiz ab etwa 2015 auf, angeboten von Start-ups, Kantonalbanken und den Grossbanken, doch sie sind ein bescheidener Teil des Marktes für Vermögensverwaltung geblieben. Generative Modelle haben einen anderen Weg eröffnet. Kundenberater nutzen heute interne Assistenten, die Research zusammenfassen, Gesprächsnotizen vorbereiten, Kundenbriefe entwerfen und prüfen, ob eine Empfehlung mit dem nach dem Finanzdienstleistungsgesetz (FIDLEG) erfassten Anlageprofil der Kundin oder des Kunden vereinbar ist.⁵ Im Private Banking, in dem Basel eine lange Tradition hat, unterstützt die Technologie die Beraterin oder den Berater, ohne die persönliche Beziehung zu ersetzen, die vermögende Familien nach wie vor erwarten.

Kundenkommunikation und Softwareentwicklung runden das Bild ab. Chat-Assistenten beantworten Routinefragen auf der Website und in der App der Bank, während Sprachsysteme Anrufe weiterleiten und Anrufende authentifizieren. Innerhalb der Bank nutzen Entwickler Code-Assistenten, um Software zu schreiben und zu testen, was ins Gewicht fällt, weil Schweizer Banken grosse und oft alte Kernbankensysteme unterhalten. Mehrere Institute haben in der Softwareentwicklung Produktivitätsgewinne gemeldet, die jene in allen anderen Funktionen übertreffen, auch wenn die veröffentlichten Zahlen stark streuen und davon abhängen, wie Produktivität gemessen wird.⁶

Anmerkungen

1. Zur Basler Bankenlandschaft vgl. Teil E, Kapitel I. Zum Einsatz von KI durch Schweizer Banken unterschiedlicher Grösse vgl. die Umfragen der Schweizerischen Bankiervereinigung und die Aufsichtskommunikation der FINMA seit 2023. ↩
2. FINMA, Risikomonitor 2024 und die begleitende Mitteilung zur Umfrage über den Einsatz von KI bei beaufsichtigten Instituten, veröffentlicht im Frühjahr 2025. ↩
3. Art. 6 und 7 des Geldwäschereigesetzes (GwG, SR 955.0); Art. 20 der Geldwäschereiverordnung-FINMA (GwV-FINMA, SR 955.033.0) zur informatikgestützten Überwachung von Transaktionen. Vgl. Teil E, Kapitel III. ↩
4. Zur Betrugserkennung und zum Kreditscoring im Schweizer Bankwesen vgl. die Jahresberichte der Schweizerischen Bankiervereinigung und die Literatur zum Konsumkreditgesetz (KKG, SR 221.214.1), das in Art. 28 bis 30 eine Kreditfähigkeitsprüfung verlangt. ↩
5. Zur Eignungs- und Angemessenheitsprüfung nach Art. 10 bis 14 des Finanzdienstleistungsgesetzes (FIDLEG, SR 950.1) vgl. Teil E, Kapitel II. Zur Robo-Advice in der Schweiz vgl. die Studien des Instituts für Finanzdienstleistungen Zug (IFZ) der Hochschule Luzern zur digitalen Vermögensverwaltung. ↩
6. Zum Einsatz von Code-Assistenten und zur Messung der Produktivität in Finanzinstituten vgl. BIZ, Annual Economic Report 2024, Kapitel III, und die dort zitierten Studien zu generativer KI und Produktivität. ↩

Nur zur allgemeinen Information. Dieser Beitrag ist keine Rechts- oder Steuerberatung, ersetzt nicht die Beratung im Einzelfall und begründet kein Mandatsverhältnis. Rechtsstand: 10/2026.