Die Fragen zu AI, Governance, Daten und Kosten, die es sich auf der Sibos in Miami zu stellen lohnt.
von Junta Nakai, Erin Butler, Roshni Joshi, Antoine Amend, Jennifer Miller, Andrea DeSosa, Rajaram Suresh, Kim Hatton, Naeem Rehman, Spencer Cook, Ed Bullen und Felix Mutzl
Letztes Jahr auf der Sibos Frankfurt war die Frage, ob AI funktioniert. Dieses Jahr: Kann Ihre AI Ihr Vertrauen gewinnen?
Die Daten bestätigen diesen Wandel. In der Banking Insights AI Impact Survey 2026 von Grant Thornton gab die Hälfte der Führungskräfte im Bankensektor an, dass Governance und Compliance die AI-Leistung bereits einschränken. Dennoch waren nur 18 % zuversichtlich, dass sie eine unabhängige Prüfung ihrer AI-Kontrollen bestehen würden. Unsere eigene Untersuchung mit Economist Enterprise, der Bericht von 2026 Making AI Deliver, stellte eine ähnliche Lücke speziell für agentische AI fest: Weniger als die Hälfte der Unternehmen schreibt formell ein Governance-Framework für autonome Systeme vor.
Dies sind die fünf Fragen, die wir am häufigsten von Chief Financial Officers (CFOs), Compliance-Beauftragten, Treasury-Leitern und Relationship Managern hören. Es lohnt sich, sie zu stellen – unabhängig davon, ob Sie dieses Jahr zur Sibos reisen oder nicht.
„Wie hoch ist unsere tatsächliche Liquidität genau in diesem Moment, über alle Einheiten und Währungen hinweg?“ Diese Frage stellt sich ein Treasury-Verantwortlicher jeden Tag. Es ist die Frage, die AI endlich ohne einen dreitägigen Tabellenkalkulations-Sprint beantworten sollte.
Ein Modell dazu zu bringen, einen Bericht zusammenzufassen, ist unkompliziert. Der schwierigere Teil besteht darin, kontrollierte Daten und AI in die täglichen Entscheidungen von Finanzteams in den Bereichen Bilanz, Liquidität, Ausgaben und Betrieb zu integrieren. Das Ziel ist es, Teams dabei zu helfen, Veränderungen zu erkennen, deren Ursachen zu untersuchen und mehr zu tun, als nur den Berichtszyklus zu automatisieren.
Am Stand von Databricks (#DISL25) auf der Sibos Miami präsentieren wir einen Vortrag mit dem Titel Trapped Capital, Released by AI: Reconciliation Your Regulator Can Audit. Er zeigt auf, wie GL-to-Risk-Datenlücken risikogewichtete Aktiva unbemerkt aufblähen, untersucht diese anhand von Belegen und setzt blockiertes regulatorisches Kapital frei – unter der Kontrolle eines menschlichen Prüfers (Maker-Checker) und mit einem Audit-Trail, dem ein Prüfer tatsächlich folgen kann.
Wir werden uns auch damit befassen, was passiert, nachdem das Geld bewegt wurde. Tokenisierte Abwicklungssysteme lösen einen Teil des Problems, aber Abstimmung, Finanzkriminalitätskontrollen und das Intraday-Liquiditätsmanagement müssen immer noch Off-Chain stattfinden. Unser Lightning Talk Tokenization Moved the Money. It Didn't Move the Hard Part führt durch das Betriebsmodell, mit dem Token-Positionen, Einlagen-Nebenbücher und Finanzierungskonten kontinuierlich abgeglichen werden. Zudem erhalten Sie einen Live-Einblick in eine Kontrollinstanz zur Abstimmung tokenisierter Einlagen.
„Handelt es sich bei dieser Warnung um ein echtes Risiko oder nur um Rauschen?“ Diese Frage stellt sich ein AML-Analyst Dutzende Male am Tag. Sie unterscheidet eine AI, die tatsächlich hilft, von einer AI, die nur ein weiteres System darstellt, dem niemand vertraut.
AI kann Fälle untersuchen, Zusammenhänge herstellen und die Entscheidungen von Analysten unterstützen. Aber jede Empfehlung benötigt eine rückverfolgbare Quelle: Welche Daten sind eingeflossen, was wurde empfohlen, ob eine Person das Ergebnis überprüft hat und ob das Institut die Untersuchung für ein Audit oder eine regulatorische Prüfung rekonstruieren kann. Governance darf nicht nur in einem Richtliniendokument existieren. Sie muss in die Daten, die Zugriffskontrollen und den Workflow selbst integriert sein.
Wir werden eine Live-Version davon an unserem Stand zeigen: Ein Agent bearbeitet echte AML-Warnungen im bankeigenen Lakehouse und sieht nur das, wofür der Analyst freigegeben ist. Er entwirft die Verdachtsmeldung (SAR) und überlässt die Einreichung einem Menschen, wobei jeder Schritt mit den Know-Your-Customer (KYC)/AML-Belegen und dem ausgeführten Modell abgeglichen und protokolliert wird. Genau diese Frage werden wir auch in unserer Session auf der Discover Stage am Donnerstag, den 1. Oktober um 11:00 Uhr behandeln: How financial institutions are governing AI in financial crime operations. Dabei zeigen wir, was die AI tatsächlich getan hat, und nicht nur, was sie tun kann.
„Was braucht dieser Kunde im Moment eigentlich von uns?“ Jeder Relationship Manager stellt sich vor einem Telefonat eine ähnliche Frage, und die ehrliche Antwort hängt meist von Daten ab, die über drei Systeme verteilt sind, sowie von einem Rechercheordner, für dessen Lektüre keine Zeit war.
RBC Brewin Dolphin nutzt generative AI, um die Vorbereitung von Unterlagen für Kundenbesprechungen zu automatisieren, was schätzungsweise 4.700 Stunden pro Jahr einspart. Andere Unternehmen gehen noch weiter. Bei einem globalen Vermögensverwalter erstellen Multi-Agenten-Workflows Anlagekommentare für Hunderte von Fonds, was die Reichweite der Berater erhöht, während die Compliance stets auf dem Laufenden bleibt. Bei einem anderen kombinieren Agenten proprietäres Fonds-Scoring mit internen Dokumenten, um in Sekundenschnelle prüfungsbereite Portfolioanalysen zu erstellen und so Chancen aufzuzeigen, für deren Suche ein Team selbst keine Zeit gehabt hätte.
Das Ziel besteht nicht darin, den Menschen aus wichtigen Entscheidungen auszuschließen. Es geht darum, den Arbeitsaufwand um diese Entscheidungen herum zu reduzieren, damit mehr Zeit für die Bewertung und die Beziehung selbst bleibt.
„Warum haben wir gerade eine legitime Transaktion abgelehnt?“ Das fragt sich der Leiter des Transaction Banking, wenn Risikoentscheidungen auf Daten basieren, die Minuten und nicht Millisekunden alt sind.
Die meisten Institute verfügen bereits über die Daten. Sie sind lediglich über verschiedene Systeme verteilt, durch Batch-Prozesse verzögert oder lassen sich nur schwer kontrolliert nutzen. Coinbase führt Echtzeit-Betrugserkennung auf Databricks mit einer P99-Latenz von unter 100 ms aus – ein nützlicher Benchmark dafür, was „Echtzeit“ tatsächlich bedeuten muss.
Die Wirtschaftlichkeit von AI sieht in einem Pilotprojekt überschaubar aus, in der Produktion jedoch ganz anders. Bei einem kürzlichen Bloomberg CFO Briefing bezeichnete ein CFO die AI-Token-Ausgaben für die erste Hälfte des Jahres 2026 als „unbedeutende Summe“, merkte jedoch an, dass nicht jede Aufgabe das teuerste Modell erfordert. Das wird weder bei dieser Bank noch anderswo lange unbedeutend bleiben. Kostendisziplin muss beginnen, bevor die Ausgaben schwer nachverfolgbar werden, nicht erst danach.
Einen genaueren Blick darauf, wie Engineering-Teams dieses Problem bereits lösen, bietet der Blogbeitrag von Databricks Managing AI Coding Costs at Scale. Er schlüsselt die Hebel auf – vom Modell-Routing bis zur Ausgabentransparenz –, die verhindern, dass die AI-Kosten den geschaffenen Wert übersteigen.
Wenn dies die Gespräche sind, die Ihr Team bereits führt, würden wir sie lieber persönlich fortführen. Databricks wird vom 28. September bis 1. Oktober auf der Sibos 2026 in Miami sein. Schreiben Sie eine E-Mail an sibos@databricks.com oder besuchen Sie unsere Event-Seite, um die vollständige Agenda zu sehen und ein Treffen zu vereinbaren.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.