Der Chief Technology and Information Officer der Bank of America erklärte, einer der häufigsten Fehler im Umgang mit künstlicher Intelligenz sei es, zunächst auf KI zu setzen – während seine eigene Bank ihr KI-Budget im nächsten Jahr verdoppeln will.

Die Äußerungen zeigen, wie zwei Säulen der globalen Finanzwelt entscheiden, wo sich KI wirklich auszahlt – und wo einfachere Werkzeuge den Job besser erledigen.

„Einer der größten Fehler, die wir bei uns und anderen beobachten, ist, vorschnell KI als Lösung einzusetzen“, sagte Hari Gopalkrishnan beim AIQ Summit von Fortune in New York, „obwohl deterministische Modelle eine ganze gute Arbeit leisten.“

Gopalkrishnan sprach auf dem Panel alongside Sally Moore, Chief Client Officer von S&P Global und Co-Leiterin von Kensho Data & Platforms. Fortune-Editorial Director Andrew Nusca moderierte die Diskussion.

Bank of America: Einfache Werkzeuge zuerst

Gopalkrishnan sagte, die Bank begins mit dem, was Kunden brauchen, und erstellt ein „Process Inventory“ der Schritte hinter ihren Anfragen. Häufig entscheide sie sich gegen KI – „ganz oft“, sagte er –, weil eine mobile App oder eine Echtzeit-Entscheidungsregel die bessere Antwort sein kann.

Jedes KI-Projekt der Bank durchläuft zudem eine Prüfung, die 16 Risikopfeiler abdeckt, darunter Datenschutz, Bias, Auswirkungen auf die Belegschaft und geistiges Eigentum. „Wir werden keinen Chatbot implementieren, der nur auf bestimmte Akzente antwortet“, sagte er.

Die Bank nutzt KI seit mehr als einem Jahrzehnt, beginnend mit Betrugsmodellen, sagte er. Der virtuelle Assistent Erica hat laut Gopalkrishnan 3,6 Milliarden Transaktionen abgewickelt; ohne ihn bräuchte die Bank 11.000 zusätzliche Mitarbeitende für die Beantwortung von Kundenanrufen. Eine Pressemitteilung der Bank vom März bezifferte Ericas Kundeninteraktionen auf mehr als 3,2 Milliarden.

Diese Vorsicht besteht neben hohen Ausgaben: CEO Brian Moynihan sagte im September, rund 140 KI-Anwendungen kosteten die Bank 400 Millionen Dollar und brächten 800 Millionen Dollar Nutzen; das KI-Agabenbudget werde im nächsten Jahr verdoppelt. Diese Budgetverdoppelung neben der methodischen Prüfung verdeutlicht den Konflikt, zu dem das Panel immer zurückkehrte: intensiv investieren, aber nur dort, wo die Technologie nachweislich funktioniert.

Die Ausgaben werden sorgfältig gelenkt. Gopalkrishnan sagte, die Bank sei modellagnostisch: Eine Orchestrierungsschicht namens Orchestra leitet einfache Klassifizierungsaufgaben an genehmigte Open-Weight-Modelle auf den eigenen GPUs der Bank weiter, während anspruchsvollere Reasoning-Aufgaben an proprietäre Modelle gehen. Dies helfe auch, die Tokenkosten zu kontrollieren, sagte er.

Im Wealth Management können Berater nun Vorbereitungen für Kundentermine „in Sekunden und Minuten“ erledigen – Arbeit, die früher Tage und Wochen dauerte, sagte er.

Bei autonomen Agenten lässt sich die Bank keine Eile anmerken. „Es gibt gerade so viel Potenzial bei assistiven Agenten, die tatsächlich mit Menschen im Loop arbeiten“, sagte Gopalkrishnan. Die Bank werde weiter gehen, wenn sich die Kontrollinfrastruktur verbessert.

Er sprach auch über Sicherheit und erklärte, KI-Modelle würden immer besser darin, Schwachstellen in Software zu finden; Patching und sichere Entwicklung seien daher unverzichtbar, unabhängig davon, ob ein Unternehmen KI einsetzt. Die Tragweite gehe über jedes einzelne Institut hinaus: Wenn eine kleine Bank irgendwo ein Problem habe, verliere das Publikum das Vertrauen in das Finanzsystem.

S&P Global: Daten als Währung

Moore sagte, ihr 160 Jahre altes Unternehmen positioniere sich neu – aggressiv und doch umsichtig. S&P Global ist die größte Bonitätsratingagentur der Welt und einer der größten Indexanbieter, und ein großer Teil seiner Finanzdaten speist regulierte Workflows, sagte sie.

„Daten sind die Währung im Bereich KI“, sagte Moore und fügte hinzu, Kunden bräuchten Genauigkeit, Quellenangaben sowie Nachvollziehbarkeit und Rückverfolgbarkeit bis zur Quelle. In einem Geschäft, dessen Daten regulierte Workflows speisen, sei diese Nachvollziehbarkeit die Voraussetzung für den Einsatz von KI überhaupt.

Sie machte einen frühen strategischen Schritt dafür verantwortlich: S&P Global übernahm 2018 das KI-Unternehmen Kensho, was uns „einen Vorteil verschafft“ habe, sagte sie; seitdem habe das Unternehmen Kensho ins Zentrum des Geschäfts gerückt. Am 6. Juli teilte es seine Division Market Intelligence in zwei Einheiten. Die erste, Kensho Data & Platforms, verbindet „Kensho Data“ – die kundengerichtete Daten- und KI-Lieferschicht – mit einer Platforms-Gruppe, zu der Capital IQ, Ratings Direct, Visible Alpha und With Intelligence gehören. Die zweite Einheit ist Enterprise Solutions. CEO Martina Cheung sagte, die Änderungen sollten Umsatzwachstum und bessere Margen unterstützen. Die Umstrukturierung setzt diese Ziele einem konkreten Test aus, ob eine KI-zentrierte Datenstrategie sich auszahlt.

Vor etwa zwei Jahren richtete S&P Global zudem ein Chief Client Office ein, das Moore leitet, um enger mit Kunden zusammenzuarbeiten. Es umfasst eine Labs-Gruppe und sogenannte Forward-Deployed Experts, die gemeinsam mit Kunden an KI arbeiten.

S&P Global betreut 60.000 Kunden in unterschiedlichen Phasen der KI-Einführung, sagte Moore. Das Unternehmen arbeitet mit Frontier-AI-Laboren zusammen, spe seine Daten in große Sprachmodelle und Produktivitätstools und entwickelt nun eigene Agenten. Die Einsatzfälle reichen von allgemeinen Aufgaben – etwa Vorbereitung von Meetings und Pitch Books durch Banker – bis zu spezialisierten Agenten für eine einzelne Aufgabe.

Sie nannte ein Beispiel. Eine Tiefbank mit 8.000 Bankern kombinierte S&P-Inhaltssets auf ihrer eigenen Plattform. S&P half, das Projekt „sechsmal schneller“ in die Produktion zu bringen, sagte sie; die Genauigkeit stieg von rund 60% zu Beginn auf 98% danach. Sie nannte die Bank nicht, und die Zahlen stammen von S&P selbst.

Das Unternehmen hat zudem einen „Credit Memo Builder“-Agenten entwickelt, der Menschen im Loop behält und sich auf die Verlässlichkeit der zugrunde liegenden Daten stützt.

Wie Gopalkrishnan betonte Moore den Einsatz des richtigen Werkzeugs für die jeweilige Aufgabe. S&P Globals deterministische Option für Sprachmodelle sei eine API, die keine hohen Tokenkosten verursacht, sagte sie, während komplexere „adaptive Datenabfrage im großen Maßstab“ mehr koste. Da Kunden Daten, Technologie und Personaleffizienz aus unterschiedlichen Budgets bezahlen, bespricht S&P mit ihnen eine Reihe von Ergebnissen.

Wo sie auseinandergehen

Gefragt, ob er sich je gegen KI entscheide, sagte Gopalkrishnan, die einfachste Antwort sei oft die beste. „KI ist nicht immer die richtige Antwort“, sagte er.

Moore stimmte zu und führte den Gedanken weiter. „Ich finde, Hari hat es sehr gut gesagt. Es geht nicht um das richtige Werkzeug. Es geht ein wenig um Neuerfindung“, sagte sie. „Was will ich hier lösen? Und wohin kann mich diese Technologie führen?“

Innerhalb von S&P Global bedeutet das ein zentrales Transformationsbüro, das Technologen und zuletzt auch Datenabteilungen zusammenbringt. Beide Unternehmen haben für die kommenden Monate messbare Marker gesetzt: Das verdoppelte KI-Budget der Bank tritt nächstes Jahr in Kraft, und die neu geordneten Divisionen von S&P Global werden an Cheungs Wachstums- und Margenzielen gemessen.

In der abschließenden Blitzrunde verwies Moore auf „Embedded Intelligence“, die „eine Gelegenheit schafft, über die heute betreuten Kunden hinaus zu gehen“.

Gopalkrishnan hatte das Schlusswort: „Ich glaube, die Bedürfnisse deiner Kunden vorauszusehen und sie dort abzuholen, wo sie sind, wird dich in einem sonst kommodifizierten Umfeld differenzieren.“

Fortune-Journalisten haben für diese Geschichte generative KI als Recherche-Werkzeug genutzt; ein Redakteur hat die Richtigkeit der Informationen vor der Veröffentlichung überprüft. Diese Geschichte erschien ursprünglich auf Fortune.com.