800 Institute, ein Modell: Skalierung mit bankindividuellen Regeln

Ein KI-Modell soll Kundenanfragen klassifizieren. Es muss für 800 Institute funktionieren. Jedes Institut hat eine andere Organisationsstruktur, andere Zuständigkeiten, andere Routing-Regeln. Ein Modell, 800 Konfigurationen.

Das klingt nach einem Widerspruch. Skalierung und Individualität schließen sich vermeintlich aus. In der Praxis löst eine klare Architektur diesen Widerspruch auf.

Das Architekturprinzip: Trennung von Klassifikation und Routing

Die zentrale Einsicht: Klassifikation und Routing sind zwei verschiedene Aufgaben.

Klassifikation ist universell

Ein Kunde schreibt: "Meine Karte funktioniert am Geldautomaten nicht." Ob dieses Anliegen bei einer Bank in München oder einer Bank in Hamburg eingeht — es ist dasselbe Thema. Kartenproblem. Technische Störung. Dringend.

Das KI-Modell klassifiziert das Anliegen: Kategorie, Dringlichkeit, Produktbezug. Diese Klassifikation ist institutsübergreifend identisch. Ein Kartenproblem ist ein Kartenproblem, unabhängig vom Institut.

Routing ist individuell

Was mit der Klassifikation passiert, unterscheidet sich. Bank A hat ein Kartenteam. Bank B hat ein allgemeines Serviceteam, das Kartenprobleme mitbearbeitet. Bank C leitet Kartenanliegen zunächst an den Berater, der den Kunden kennt.

Dieselbe Klassifikation führt zu drei verschiedenen Routing-Entscheidungen. Nicht weil die Klassifikation falsch ist, sondern weil die Organisationsstrukturen verschieden sind.

Die technische Umsetzung

Schicht 1: Zentrales KI-Modell

Ein Modell, trainiert auf Hunderttausenden von Kundenanfragen aus dem gesamten Verbund. Es lernt die Sprache der Kunden: Wie formulieren Menschen Kartenprobleme? Wie beschreiben sie Adressänderungen? Wie klingen dringende Anliegen?

Dieses Modell wird zentral gepflegt, regelmäßig mit neuen Daten nachtrainiert und allen Instituten bereitgestellt. Qualitätsverbesserungen kommen allen zugute.

Schicht 2: Bankindividuelles Regelwerk

Jedes Institut definiert eigene Routing-Regeln:

WENN Kategorie = "Kartenproblem" UND Dringlichkeit = "hoch" DANN - Kartenteam (Priorität 1)

Diese Regeln sind keine KI. Es sind einfache Wenn-Dann-Logiken, die Fachabteilungen pflegen können. Kein Modelltraining, keine Datenaufbereitung. Ein Regeleditor, in dem die Bank ihre Organisationsstruktur abbildet.

Schicht 3: Fallback und Eskalation

Wenn das Modell unsicher ist (Konfidenz unter einem Schwellenwert), greift eine Eskalationsregel. Das Anliegen wird einem Menschen vorgelegt, der die Klassifikation bestätigt oder korrigiert. Die Korrektur fließt als Trainingsdatum zurück.

Warum diese Trennung funktioniert

Skalierung ohne Qualitätsverlust

Das zentrale Modell profitiert von Daten aller Institute. Mehr Daten bedeuten bessere Erkennung. Ein einzelnes Institut hätte nicht genug Anfragen, um ein präzises Modell zu trainieren. 800 Institute zusammen haben Millionen.

Individualität ohne Komplexität

Die Routing-Regeln sind simpel. Jedes Institut braucht 20 bis 50 Regeln, um seine Organisationsstruktur abzubilden. Das ist ein Konfigurationsprojekt, kein KI-Projekt. Änderungen — etwa ein neues Team oder eine neue Zuständigkeit — werden in Minuten umgesetzt, nicht in Wochen.

Wartbarkeit

Das Modell wird zentral gepflegt. Ein Team kümmert sich um Datenqualität, Nachtraining und Qualitätssicherung. Die Institute pflegen nur ihre Routing-Regeln. Klare Verantwortlichkeiten, kein Koordinationsaufwand.

Praxiserfahrung aus dem genossenschaftlichen FinanzVerbund

Im genossenschaftlichen FinanzVerbund arbeiten IT-Dienstleister mit genau dieser Architektur. Dream-bit hat als Subunternehmer über einen Partner an der Entwicklung und Implementierung solcher Systeme mitgewirkt — über einen Zeitraum von mehr als drei Jahren.

Die Erfahrung zeigt:

Erste Woche: Die meisten Institute übernehmen ein Standard-Regelwerk und passen 10 bis 15 Regeln an ihre Struktur an.

Erster Monat: Feedback-Schleifen aus den Instituten verbessern die Modellqualität messbar. Regionale Begriffe ("Sparbuechle" statt "Sparbuch") werden erkannt.

Erstes Quartal: Die Klassifikationsgenauigkeit stabilisiert sich bei 85 bis 90 %. Die Routing-Regeln sind eingespielt. Das System läuft produktiv.

Die Grenzen

Nicht alles lässt sich trennen. Manche Institute haben Produkte, die nur sie anbieten. Ein Modell, das auf Verbunddaten trainiert ist, kennt diese Produkte nicht. Für solche Fälle gibt es institutsindividuelle Klassifikationserweiterungen — zusätzliche Trainingsdaten, die nur für dieses Institut gelten.

Das funktioniert, erhöht aber den Pflegeaufwand für das einzelne Institut. Der Standardfall — Klassifikation zentral, Routing individuell — deckt 90 % der Anfragen ab.

Was diese Architektur ermöglicht

800 Institute mit einem Modell zu bedienen ist keine Vision. Es ist produktive Realität. Der Schlüssel ist die saubere Trennung: Was ist universell? Was ist individuell? Universelles wird zentral gelöst. Individuelles wird lokal konfiguriert. Beides zusammen ergibt Skalierung ohne Gleichmacherei.

Nächster Schritt

Lassen Sie uns in 30 Minuten prüfen, wo KI in Ihrem Finanzunternehmen den größten Hebel hat — regulatorisch sicher, unverbindlich und kostenfrei.

Gespräch vereinbaren →