KI im Banking: Wie E-Mails zu nutzbaren Kundeninformationen werden

Porträt von Murat Cavus
Autor
Murat Cavus
Porträt von Praneet Jayaram
Autor
Praneet Jayaram
Porträt von Zahid Amadxarif
Autor
Zahid Amadxarif
Vergleich verteilter E-Mail-Postfächer mit einem Zielbild für KI-gestützte Kategorisierung, Zuordnung und Antwortvorbereitung.

Eine Kundenanfrage kommt als E-Mail an. Bevor jemand fachlich antworten kann, muss die Nachricht verstanden, eingeordnet und an die richtige Stelle gebracht werden. Bei hohem Volumen ist genau diese Vorarbeit ein erheblicher Teil des Prozesses. Ein zusätzliches Postfach löst das Problem nicht unbedingt. Es schafft zunächst einmal ein zusätzliches Postfach.

Die im Sammelband dokumentierte Anwendung bei der Deutschen Bank setzt an diesem Zusammenhang an. Große Sprachmodelle sollen im Investment- und Firmenkundengeschäft helfen, Informationen aus E-Mails zu erschließen, Nachrichten zuzuordnen und Antwortvorschläge vorzubereiten. Für Customer Intelligence ist dabei entscheidend, dass die unstrukturierten Kundendaten in einen nutzbaren, kontrollierten Arbeitsablauf gelangen.

E-Mails enthalten Kundenwissen, aber noch keinen fertigen Prozess

Im Banking ist die E-Mail zugleich Kommunikationskanal und Dokumentation. In ihr stehen Kundenanliegen, Informationen zu Transaktionen und Abstimmungen über weitere Schritte. Dieses Wissen liegt zunächst als Text vor. Für eine Bearbeitung müssen Zuständigkeit, Kontext und relevante Angaben daraus erschlossen werden.

Wenn Nachrichten zwischen verschiedenen Postfächern und Teams weitergereicht werden, entstehen zusätzliche manuelle Aufgaben. Die Verbindung zwischen Inhalt und Bearbeitungsprozess wird zum Engpass. Aus Sicht der Customer Intelligence geht es deshalb nicht nur darum, Texte schneller zu lesen. Es geht darum, Kundeninformationen zuverlässig in die weitere Arbeit zu überführen.

Was das Sprachmodell im Zielbild übernimmt

Die beschriebene Lösung analysiert eingehende E-Mails, kategorisiert sie und extrahiert relevante Informationen. Zum Funktionsumfang gehören außerdem Übersetzung und die Analyse der sprachlich erkennbaren Stimmung. Beim Routing werden Nachrichten unter Berücksichtigung von Priorität und Kapazität an die zuständige Bearbeitungsstelle weitergeleitet.

Ein weiterer Baustein ist die Vorbereitung einer Antwort. Das System erzeugt einen Vorschlag, den Mitarbeitende anschließend prüfen und bei Bedarf überarbeiten. Der Versand bleibt im dargestellten Ablauf eine Handlung des zuständigen Menschen. Das Zielbild beschreibt damit eine unterstützte Bearbeitung, keinen pauschalen Ersatz der fachlichen Verantwortung.

Die Stärke eines Sprachmodells liegt darin, sprachlichen Kontext über einzelne Suchwörter hinaus zu verarbeiten. Gerade deshalb muss die fachliche Bewertung mehr prüfen als das Erkennen bestimmter Begriffe. Entscheidend ist, ob die Einordnung für die konkrete Aufgabe belastbar genug ist und wie mit Fehlern umgegangen wird.

Der Zusammenhang mit CRM und Workflow ist Teil der Lösung

Ein erkanntes Anliegen muss dort verfügbar werden, wo es bearbeitet wird. Die Fallstudie verbindet die E-Mail-Anwendung deshalb mit CRM- und Workflow-Systemen. Ergänzende Auswertungen sollen Einblicke in die operativen Abläufe ermöglichen. Textanalyse, Zuordnung und weitere Verarbeitung bilden einen gemeinsamen Prozess.

Das ist derselbe Grundgedanke, der auch hinter einem konsistenten Kundenbild über Systemgrenzen hinweg steht. Eine Information ist für die Kundenbeziehung erst dann nützlich, wenn ihr Zusammenhang erkennbar ist und sie in der passenden Anwendung verwendet werden kann. Für die E-Mail-Bearbeitung betrifft das insbesondere den Übergang von der Nachricht zum zuständigen Team und zur weiteren Bearbeitung.

Sieben Phasen statt eines Sprungs vom Prototyp in den Betrieb

Für die Einführung nutzt die Fallstudie ein siebenstufiges Innovationsvorgehen. Zunächst werden Ideen gesammelt und der mögliche Nutzen eines Use Cases eingegrenzt. Danach werden Erfolgskriterien festgelegt und technische sowie wirtschaftliche Machbarkeit geprüft. Ein früher Prototyp dient dazu, diese Annahmen an einer konkreten Lösung zu testen.

Die sieben Phasen heißen Inspire, Discover, Pioneer, Prove, Professionalise, Promote und Profit. Nach der Validierung folgen also weitere Aufgaben: die Anbindung an die betrieblichen Systeme, die Bereitstellung für Nutzer, Schulung und Unterstützung sowie die Ausweitung auf weiteren geschäftlichen Nutzen.

Das verhindert vor allem eine verkürzte Betrachtung von Innovation. Eine vorzeigbare Demonstration beantwortet noch nicht, ob die Lösung zuverlässig betrieben werden kann. Ebenso wenig sagt eine technisch funktionierende Integration allein etwas darüber aus, ob Menschen sie im Alltag sinnvoll verwenden.

Bewertet wird mehr als die Qualität eines Antworttextes

In der Validierung werden die Bedürfnisse der Nutzer, technische Umsetzbarkeit und Wirtschaftlichkeit gemeinsam betrachtet. Die Fallstudie beschreibt außerdem die Bewertung mehrerer Anbieterlösungen. Ein Modell muss zum konkreten Einsatz und zur vorhandenen Infrastruktur passen, nicht nur in einer isolierten Vorführung überzeugen.

Zur Nutzerbewertung gehören Fokusgruppen, Befragungen und qualitative Untersuchungen der Bearbeitung. Damit wird sichtbar, wie Mitarbeitende mit extrahierten Informationen und Antwortvorschlägen umgehen. Eine hilfreiche Lösung muss die eigentliche Arbeit unterstützen. Wenn ihre Ergebnisse schwer zu prüfen sind oder zusätzliche Unklarheit schaffen, ist eine schnelle Textgenerierung allein wenig gewonnen.

Datenschutz, Erklärbarkeit und Kontrolle gehören an den Anfang

Die Einführung großer Sprachmodelle in einer Bank hat technische, organisatorische und regulatorische Anforderungen. Die Autoren behandeln Datenschutz, mögliche Verzerrungen und die Nachvollziehbarkeit von Ergebnissen als Bestandteile der Umsetzung. Governance und Kontrollen werden damit nicht erst nach Abschluss der Entwicklung relevant.

Der dargestellte menschliche Prüfschritt ist ein wichtiger Teil dieser Einordnung. Mitarbeitende sehen die Originalnachricht und die daraus gewonnenen Informationen, bevor sie die vorgeschlagene Antwort verwenden. Damit bleibt der Bezug zwischen Quelle und Ergebnis im Arbeitsablauf erhalten. Die Nutzung von KI ändert die Bearbeitung, hebt die Notwendigkeit fachlicher Kontrolle aber nicht auf.

Aus dem Einsatz einzelner Kontrollmechanismen folgt noch kein allgemeiner Nachweis rechtlicher Konformität. Welche Anforderungen gelten und wie sie umgesetzt werden, muss für den jeweiligen Einsatz geprüft werden. Die Fallstudie liefert einen dokumentierten Ansatz, keine übertragbare Freigabe für jede Form automatisierter Kundenkommunikation.

Datenqualität entscheidet auch bei unstrukturierten Informationen

Bei Kundendaten denken Unternehmen häufig zuerst an Stammdaten und Tabellen. E-Mails zeigen, warum der Blick weiter reichen muss. Auch die Bedeutung einer Nachricht, ihre Einordnung und die daraus übernommenen Angaben bestimmen die Qualität des folgenden Prozesses. Eine fehlerhafte Extraktion kann genauso problematisch werden wie eine falsche Zuordnung im CRM.

Für die Bewertung sind deshalb der gesamte Ablauf und die vorgesehenen Kontrollpunkte relevant. Funktioniert das Routing? Lassen sich die erkannten Angaben nachvollziehen? Können Mitarbeitende den Vorschlag in ihrer Arbeit verwenden? Erst dieser Zusammenhang verbindet technische Leistung mit einer besseren Bearbeitung von Kundenanliegen.

Der Use Case macht die organisatorische Aufgabe sichtbar

Die Anwendung zeigt, wie KI-Forschung und betriebliche Umsetzung zusammenkommen können: Ein klar eingegrenztes Problem wird schrittweise bearbeitet, mit bestehenden Systemen verbunden und im Nutzerkontext geprüft. Dieser Weg passt zum Customer Intelligence Evolution Framework, das Ziele, Datenarbeit und konkrete Verwendung als zusammenhängende Aufgaben betrachtet.

Für andere Unternehmen liegt der übertragbare Gedanke nicht in einem bestimmten Modellnamen. Er liegt in der Verbindung von Kundendaten, geeigneter Technologie und verantworteter Bearbeitung. Ein Sprachmodell kann Informationen erschließen und Vorschläge liefern. Ob daraus ein verlässlicher Kundenprozess entsteht, entscheidet sich im Zusammenspiel dieser Teile.

Eigenständige redaktionelle Aufbereitung auf Grundlage des Buchbeitrags von Murat Cavus, Praneet Jayaram und Zahid Amadxarif in Customer Intelligence (Springer Gabler, 2025). Der Text beschreibt den dokumentierten Buchstand. Zum Originalkapitel.

Porträt von Murat Cavus

Murat Cavus

Murat Cavus verbindet KI, ESG-Innovation und die Entwicklung von Finanzlösungen bei der Deutschen Bank. Seine Schwerpunkte sind skalierbare Anwendungen und die Automatisierung von Kundenprozessen.

Zum Autorenprofil
Porträt von Praneet Jayaram

Praneet Jayaram

Praneet Jayaram verbindet Finanzdienstleistungen, KI-Strategie und datengetriebene Transformation. Seine Erfahrung bei der Deutschen Bank umfasst Automatisierung, Analytik und operative Bankprozesse.

Zum Autorenprofil
Porträt von Zahid Amadxarif

Zahid Amadxarif

Zahid Amadxarif verbindet Data Science, generative KI und Machine Learning mit Erfahrung in Finanzmärkten. Sein Schwerpunkt liegt auf der strategischen und technischen Umsetzung von KI-Anwendungen.

Zum Autorenprofil
Du musst angemeldet sein, um einen Kommentar abzugeben.
Veranstaltungsgrafik zum DDV Dialog Summit am 5. und 6. November 2026 in Frankfurt mit farbig leuchtenden Ringen.
Thema: Agentic & AI, CIEF in der Praxis

DDV Dialog Summit: Warum KI verlässliche Kundendaten braucht

Andreas Gozian und Emanuel Bayer stellten beim DDV Dialog Summit 2026 den Agentic Golden Record als Grundlage für Customer Intelligence vor.

Profilbild von Andreas Gozian
Autor
Andreas Gozian
Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer
Schematische Darstellung von Kundeninteraktionen mit Produkten: betrachten, zum Warenkorb hinzufügen und kaufen.
Thema: Daten & Plattformen, Marketing, Vertrieb & Service

Personalisierung in der Praxis: Wie aus Kundendaten relevante Empfehlungen werden

Passende Empfehlungen brauchen mehr als einen Algorithmus. Wie Inhalte, Interaktionsdaten und Datenqualität zusammenspielen und wie sich die Wirkung von Personalisierung bewerten lässt.

Portrait von Philipp Sorg
Autor
Dr. Philipp Sorg
RFM-Segmentierung nach Kaufabstand, Kaufhäufigkeit und monetärem Umfang
Thema: Marketing, Vertrieb & Service

Kundenrückgewinnung: Wie Daten die richtige nächste Entscheidung unterstützen

Welche Kundenbeziehungen lassen sich sinnvoll reaktivieren? Wie Analysen, wirtschaftliche Bewertung und eine sorgfältig geprüfte Ansprache zu einem belastbaren Customer Recovery Management zusammenfinden.

Porträt von Prof. Dr. Jochen Panzer
Autor
Prof. Dr. Jochen Panzer
Porträt von Dr. Dennis Voigt
Autor
Dr. Dennis Voigt
Andreas Gozian und Manuel Marini bei der Verleihung des Best of Technology Award 2026
Thema: Agentic & AI

Best of Technology 2026: Auszeichnung für MARINIs Agentic Golden Record

MARINI erreicht beim Best of Technology Award 2026 Platz 2 in der Kategorie Customer Lifecycle. Der ausgezeichnete Ansatz lenkt den Blick auf eine zentrale Voraussetzung agentischer Anwendungen: eine verlässliche, nutzbare Datenbasis.

Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer