Warum Banken einen Chief Scientist brauchen: KI-Forschung als strategischer Wettbewerbsvorteil

Wenn eine Bank zur KI-Forschungseinrichtung wird

Was braucht ein modernes Finanzunternehmen, um im KI-Zeitalter wirklich wettbewerbsfähig zu sein? Die intuitive Antwort lautet: die neuesten Large Language Models lizenzieren, über APIs einbinden und in bestehende Workflows integrieren. Capital One, eine der größten Banken der USA mit über 100 Millionen Kundinnen und Kunden, hat eine andere Antwort gefunden – und setzt damit einen Impuls, der weit über den Finanzsektor hinaus relevant ist.

Mit der Berufung von Prem Natarajan – einem IEEE Fellow, ehemaligen Leiter der gesamten Alexa-KI-Organisation bei Amazon und DARPA-erfahrenen Forscher – zum Chief Scientist hat Capital One eine Position geschaffen, die in der Bankenwelt noch ungewöhnlich ist. Die Botschaft dahinter ist deutlich: KI ist für dieses Unternehmen keine Technologie, die man beschafft. Sie ist eine wissenschaftliche Disziplin, die man aktiv betreibt.

Der entscheidende Irrtum: KI als Werkzeug statt als Forschungsfeld

Die meisten Finanzinstitute – und dies gilt keineswegs nur für Banken – begehen nach wie vor denselben konzeptuellen Fehler: Sie behandeln KI als ein Instrument zur Prozessoptimierung, das man einkauft, konfiguriert und betreibt. Foundation Models wie GPT-4 oder Claude werden als generische Bausteine gesehen, die man in bestehende Systeme einschleust.

Doch genau dort liegt das Problem. Allgemein verfügbare Sprachmodelle können generische Aufgaben übernehmen – sie scheitern jedoch an domänenspezifischen Herausforderungen, die im Finanzbereich besonders ausgeprägt sind. Betrugserkennungssysteme müssen Milliarden von Transaktionen in Echtzeit analysieren, und das mit einer Fehlertoleranz nahe null. Ein einziger unerkannter Betrugsfall kann für bestimmte Kundengruppen finanziell verheerend sein. Allgemeine Modelle, die auf horizontalen Plattformen entwickelt wurden, sind für diesen Präzisionsanspruch schlicht nicht gebaut.

„Wenn man wirklich wichtige Probleme in der KI lösen und sehen will, wie die eigene Arbeit zum Leben erwacht, ist dies einer der wenigen Orte, an denen man das kann." – Prem Natarajan, Chief Scientist, Capital One

Diese Einsicht deckt sich mit dem, was Dr. Maik Bunzel, Gründer und Geschäftsführer von mabucon.eu, in seiner Beratungspraxis regelmäßig beobachtet: Unternehmen, die KI ausschließlich als fertige Lösung betrachten, stoßen schnell an strukturelle Grenzen – besonders dann, wenn die eigentliche Stärke im tiefen Domänenwissen liegt, das kein generisches Modell von Haus aus mitbringt.

Destination-Back Thinking: Vom Kundenproblem zur KI-Forschung

Capital Ones methodischer Ansatz verdient besondere Aufmerksamkeit – nicht wegen seiner technologischen Raffinesse, sondern wegen seiner strategischen Klarheit. Das Unternehmen nennt es „Destination-Back Thinking": Statt zu fragen, was mit aktueller Technologie möglich ist, beginnt das Team mit der Kundenerfahrung, die es ermöglichen will.

Ein konkretes Beispiel aus dem Artikel illustriert dies gut: Ein Autokäufer, der lange Arbeitstage hat und erst um 22 Uhr recherchieren kann. Oder eine Kundin, die unvorhergesehene Ausgaben hat und sofortige, personalisierte Orientierung benötigt. Erst wenn diese Zielzustände klar definiert sind, wird rückwärts gearbeitet: Welche wissenschaftlichen Durchbrüche sind notwendig, um genau diese Erlebnisse zu ermöglichen?

Dieser Ansatz hat einen entscheidenden strategischen Vorteil: Er stellt sicher, dass Forschungsergebnisse nicht in der Schublade landen. Wenn das Problem klar aus der Kundenperspektive definiert ist, ist der Weg zur Anwendung bereits vorgezeichnet. Die Lücke zwischen Forschung und Deployment – in vielen Unternehmen ein chronisches Problem – wird strukturell verkleinert.

Cloud-First als Forschungsinfrastruktur: Was andere nicht haben

Ein oft unterschätzter Aspekt des Capital-One-Ansatzes ist die technische Infrastruktur, auf der die KI-Forschung aufsetzt. Als einzige große US-amerikanische Großbank, die vollständig auf Public-Cloud-Infrastruktur umgestellt hat, verfügt Capital One über etwas Seltenes: ein einheitliches Daten- und Rechenumfeld, das wissenschaftliche Experimente in dem Umfang ermöglicht, den man sonst nur aus Big-Tech-Forschungslabors kennt.

• Legacy-Freiheit: Keine monolithischen Altsysteme, die Experimente bremsen oder Datensilos erzeugen.
• Unified Data Ecosystem: Daten, Rechenleistung und ML-Experimente laufen in einer kohärenten Umgebung – entscheidend für iterative Forschungszyklen.
• Governance by Design: Datenschutz und Compliance sind keine nachträglichen Auflagen, sondern von Anfang an in die Architektur eingebaut.
• Skalierbarkeit: Die Infrastruktur kann mit dem Forschungsbedarf wachsen, ohne dass grundlegende Umbauten nötig werden.

Diese Kombination macht es überhaupt erst möglich, KI-Forschung unter den harten Bedingungen des realen Bankbetriebs zu betreiben – mit den daraus resultierenden Anforderungen an Genauigkeit, Datenschutz und Regulierung. Es ist kein Zufall, dass Natarajan Capital One als einen der wenigen Orte beschreibt, an dem Forschung unmittelbar in wirkungsvolle Anwendungen überführt werden kann.

Was das für andere Unternehmen bedeutet

Der Capital-One-Fall wirft eine Frage auf, die sich jedes datengetriebene Unternehmen stellen sollte: Reicht es, KI einzusetzen – oder muss man KI verstehen, um langfristig wettbewerbsfähig zu bleiben?

Die ehrliche Antwort ist differenziert. Nicht jedes Unternehmen braucht einen Chief Scientist oder ein eigenes Forschungslabor. Aber das zugrunde liegende Prinzip – nämlich KI nicht als extern beschaffbare Ressource, sondern als strategische Kernkompetenz zu behandeln – ist universell relevant. Dr. Maik Bunzel, Gründer und Geschäftsführer von mabucon.eu, betont in diesem Zusammenhang, dass gerade mittelständische Unternehmen oft ein erhebliches ungenutztes Potenzial in ihrem impliziten Domänenwissen tragen, das durch gezielt entwickelte KI-Workflows erschlossen werden kann – ohne dabei die Komplexität eines Big-Tech-Forschungsbetriebs aufzubauen.

Die Unterscheidung zwischen KI deployen und KI entwickeln ist dabei nicht nur technischer Natur. Sie spiegelt eine grundsätzlich andere Haltung wider: Wer KI nur einsetzt, ist Konsument eines Ökosystems. Wer KI gestaltet – auch im kleineren Maßstab, durch eigene Anpassungen, Feinabstimmung und problemspezifische Architekturentscheidungen –, baut einen Vorteil auf, den andere nicht ohne Weiteres kopieren können.

Drei Lehren, die über die Finanzbranche hinausgehen

• Domänenspezifische Probleme erfordern domänenspezifische Lösungen: Generische Modelle sind ein Ausgangspunkt, kein Endpunkt. Die wirklich schwierigen Probleme – ob in der Finanzbranche, im Gesundheitswesen oder in der Logistik – verlangen maßgeschneiderte Ansätze.
• Infrastruktur entscheidet über Forschungsgeschwindigkeit: Wer auf veraltete Systemlandschaften setzt, wird auch bei KI-Investitionen systematisch langsamer sein als Wettbewerber mit moderner Datenarchitektur.
• Kundenproblem first, Technologie second: Das „Destination-Back Thinking" ist kein technisches Konzept – es ist ein strategisches Prinzip, das sicherstellt, dass KI-Investitionen echten Nutzen erzeugen und nicht im Proof-of-Concept-Stadium stecken bleiben.

Ausblick: Die nächste Phase der Enterprise-KI

Was Capital One mit seiner Chief-Scientist-Strategie vorwegnimmt, dürfte in den nächsten Jahren zum Standard für größere datengetriebene Unternehmen werden: Die Grenze zwischen KI-Nutzung und KI-Forschung verschwimmt zunehmend. Unternehmen, die ihre eigenen Daten, ihre eigenen Geschäftsprozesse und die spezifischen Bedürfnisse ihrer Kundschaft als Forschungsressource begreifen, werden einen strukturellen Vorteil gegenüber jenen aufbauen, die ausschließlich auf externe Modellanbieter setzen.

Für Unternehmen, die diesen Weg gehen wollen, ohne sofort eine eigene Forschungsabteilung aufzubauen, liegt die erste Priorität nicht bei der Technologieauswahl – sondern bei der strategischen Klarheit darüber, welche Kundenprobleme wirklich gelöst werden sollen, und welche Datenbasis dafür bereits vorhanden ist. Darauf lässt sich aufbauen. Wie Dr. Maik Bunzel es formuliert: Der stärkste KI-Vorteil entsteht nicht durch den Zugang zur neuesten Technologie, sondern durch die Fähigkeit, diese Technologie auf Probleme anzuwenden, die nur das eigene Unternehmen wirklich versteht.