Im Private Banking verschiebt sich die Ausgangslage im Beratungsgespräch gerade fundamental: Der Kunde kommt immer öfter "vorinformiert" – nicht mehr nur durch Medien, Research-Portale oder Finfluencer, sondern durch KI. Viele Kunden lassen sich heute bereits vor dem Termin Portfolios strukturieren, Risiken erklären, ETF-Alternativen vergleichen sowie Steuer- und Währungsfragen skizzieren oder Szenarien und Simulationen rechnen. Das bedeutet: Der klassische Wissensvorsprung des Beraters erodiert – und damit auch die Wirkung einer Beratung, die primär auf Informationsvermittlung basiert.
Der Kunde hat KI schon genutzt – bevor er die Bank trifft
In einem hybriden Beratungsansatz (Mensch & Technologie) ist KI deshalb nicht "nice to have", sondern unumgänglich. Aber: Es reicht nicht, wenn der Kundenberater einfach ebenfalls ein KI-Tool öffnet und ein paar Fragen eintippt. Das ist bestenfalls Parität – und Parität ist im Beratungskontext zu wenig. Denn der Kunde hat dieselbe Basistechnologie oft bereits selbst genutzt.
Parität ist zu wenig: Der Unterschied heisst Skalierung
Der entscheidende Punkt ist Skalierung und Qualitätsvorsprung: Die Bank muss KI so einsetzen, dass sie breiter, tiefer und konsistenter zu besseren Ergebnissen kommt als ein Kunde mit generischer KI-Nutzung. KI in der Beratung wird damit zur Infrastrukturfrage – nicht zur Tool-Frage.
Vom Tool zur Beratungsmotorik: Orchestrierte KI statt Einzelprompt
Dazu braucht es KI-Systeme, die nicht nur Antworten generieren, sondern die Kundensituation methodisch "lesen" und verarbeiten können: bestehende Anlagen, Risikoprofil, Liquiditätsbedürfnisse, Restriktionen, regulatorische Rahmenbedingungen, Produktspektrum, Gebühren, Steuern, Währungen, Nachhaltigkeitspräferenzen sowie Performance- und Risiko-Kennzahlen – stets im Kontext aktueller Marktparameter.
Der entscheidende Unterschied liegt in der Orchestrierung dieser Systeme. Künftige Beratung basiert nicht auf einzelnen KI-Abfragen, sondern auf klar definierten Prompt-Standards mit Templates und Guardrails (Do/Don’t, Freigaben), auf Playbooks mit festen Beratungsschritten (Diagnose -> Optionen -> Empfehlung) sowie auf verifizierbaren Ergebnissen, bei denen Berechnungen, Quellen und Parameter transparent und nachvollziehbar dokumentiert werden.
Zentrale Annahmen und Portfolio Design-Entscheide (z.B. Home Bias, Asset Klassen welche absichtlich weggelassen wurden, Währungsabsicherungsentscheidungen, Crypto-Anteil) sind explizit festzuhalten und zu versionieren – sowohl auf Kunden- als auch Kapitalmarktseite.
Ergänzend ist eine konsistente Beratungssprache sicherzustellen, gestützt durch standardisierte Textmodule.
Parallel dazu braucht es eine industrielle Anbindung von Daten und Wissen: CRM/KYC-Informationen, Portfolio- bzw. Kundendepotdaten, Asset Allocations/Modelportfolios, Produktkataloge, Empfehlungslisten und Marktdaten müssen zugriffsgesteuert und integriert verfügbar sein. Flankiert wird dies durch Governance- und Qualitätsmechanismen wie Freigaben, Audit-Trails und definierte Testfälle.
Erst durch diese Skalierung über wiederverwendbare Module und automatisierte Portfolio-Checks entsteht ein systematischer Qualitäts- und Effizienzvorsprung gegenüber dem, was ein Kunde ad hoc selbst mit KI zusammentragen kann.
Der Berater als Kurator – und die Bank als "AI Factory"
So entsteht ein neuer Beratungsanspruch: Der Berater entwickelt sich vom reinen "Erklärer“ zum Kurator und Entscheider, während die Bank mit hochskalierten KI-Prozessen die analytische Substanz liefert. Beratung wird damit weniger ein Verkaufs- oder Produktgespräch, sondern ein strukturierter, nachvollziehbarer und regelbasierter Entscheidungsprozess. Im Zentrum stehen nicht einzelne Produkte oder Services, sondern die systematische Beantwortung zentraler Fragen: Was passt zum Kunden, warum, welche Alternativen existieren, welche Risiken sind relevant – und wie sieht ein konsistenter, umsetzbarer Handlungsplan aus?
Fazit: Nicht KI nutzen, sondern KI industrialisieren
Der Wettbewerbsvorteil liegt künftig nicht darin, KI irgendwie zu verwenden, sondern darin, sie zu industrialisieren. Nur so kann der hybride Ansatz einen Mehrwert liefern, den der Kunde mit seiner eigenen KI-Recherche nicht erreichen kann.