Nur 11 Prozent der KI-Anwendungen bei Vermögensverwaltern laufen produktiv. Warum?

Elf Prozent. Das ist der Anteil der KI-Anwendungen bei unabhängigen Vermögensverwaltern in der Schweiz, der produktiv läuft. 66 Prozent bleiben Experimente mit öffentlichen Tools, 23 Prozent kommen bis zum Piloten und nicht weiter. Das zeigt die Studie «AI Use Cases and Crypto Assets in External Asset Management» der Hochschule Luzern und von Finup vom Juli 2026 (zur Studie). Meine These: Es liegt nicht an der Technik. Es fehlen Datenbasis, Verantwortung und ein messbares Ziel.

Was sagt die Studie genau?

Die Hochschule Luzern und das Zürcher WealthTech Finup haben zwischen April und Juni 2026 über 40 unabhängige Vermögensverwalter strukturiert befragt. Das Ergebnis in drei Sätzen: 49 Prozent der Häuser nutzen KI bereits in einzelnen Prozessen. Von den 65 gemeldeten Anwendungen sind aber nur 11 Prozent produktive Implementierungen. 85 Prozent nennen Datenschutz als grösste Hürde, und nur 27 Prozent schätzen ihre eigenen Daten als bereit für KI ein.

Die Verteilung im Überblick:

• 66 Prozent Experimente: Nutzung öffentlicher Tools, ohne Anbindung an eigene Prozesse und Daten.
• 23 Prozent Piloten: Erste eigenständige Anwendungen, noch nicht im Regelbetrieb.
• 11 Prozent produktiv: KI arbeitet verlässlich im Tagesgeschäft, mit klarem Prozess und Verantwortung.

Von 65 gemeldeten KI-Anwendungen laufen nur 11 Prozent produktiv.

Warum bleiben so viele Projekte stecken? Vier Gründe aus der Praxis

Erstens: Die Daten sind nicht bereit. Nur 27 Prozent der Befragten halten ihre Daten für KI-tauglich. Das deckt sich mit dem, was ich in Erstgesprächen sehe: Kundendaten liegen über Bankenportale, Excel-Dateien und E-Mail-Postfächer verteilt. Ein Agent kann nur so gut arbeiten, wie die Datenlage es zulässt. Wer hier zuerst aufräumt, gewinnt doppelt: Die Daten werden nutzbar, und das Haus lernt dabei, was es überhaupt hat.

Zweitens: Der Datenschutz wird zum Stoppschild. 85 Prozent nennen Datenschutz als grösste Hürde. Die Frage «Wo liegen meine Daten?» ist berechtigt, sie steht in der Praxis regelmässig ganz oben. Aber sie ist lösbar. Geschützte Schweizer Cloud-Umgebungen, gehostet zum Beispiel auf Microsoft Azure in der Region Zürich Nord, halten Kundendaten im Land und getrennt von öffentlichen Modellen. Wer die Frage als Endstation behandelt statt als Anforderung, bleibt beim Experiment.

Drittens: Niemand ist verantwortlich. Viele Piloten laufen nebenbei, getragen von der Neugier Einzelner. Sobald diese Person ausfällt oder das Tagesgeschäft ruft, schläft der Pilot ein. Produktive Anwendungen haben eine namentlich verantwortliche Person, die jede Woche auf die Zahlen schaut.

Viertens: Der Pilot hat kein messbares Ziel. «Wir probieren das mal aus» ist keine Zielvorgabe. Ohne eine Zahl, etwa Minuten pro Protokoll oder Berichte pro Monat, gibt es nach acht Wochen keinen Grund für ein Weiter und keinen für ein Stoppen. Dann läuft der Pilot weiter, ohne je produktiv zu werden.

Was machen die Häuser hinter den produktiven 11 Prozent anders? Meine Einschätzung

Was jetzt folgt, ist meine Einschätzung aus Projekten, keine Aussage der Studie. Die Häuser, die produktiv werden, machen drei Dinge anders. Sie starten mit einem einzigen, eng begrenzten Prozess statt mit einem Gesamtprogramm. Sie wählen bewusst einen Prozess mit wenig sensiblen Daten, zum Beispiel Protokolle oder Research, und nicht den komplexesten Fall im Haus. Und sie betreiben den Agenten im assistierten Modus: Die Maschine erstellt Entwürfe, der Mensch gibt frei, jede Aktion wird protokolliert. So entsteht Vertrauen durch gemessene Qualität, nicht durch Versprechen.

Aus meiner Praxis: Aus meinen Projekten mit additiv weiss ich, was bei grossen Instituten den Schritt vom Piloten in die Produktion ausmacht. Es ist selten das grössere Modell. Es sind eine eindeutige Prozessverantwortung und ein Betrieb, der geplant wird wie jedes andere Produktivsystem: mit Überwachung, mit Freigaben, mit klaren Regeln für Fehlerfälle. Was dort Programm ist, reicht einem kleinen Haus als Haltung.

Drei Fragen zur Selbstprüfung

1. Können Sie den Prozess Ihres laufenden oder geplanten KI-Piloten in einem Satz benennen?
2. Wissen Sie, wie viele Stunden er Ihnen pro Monat sparen soll?
3. Ist eine Person namentlich dafür verantwortlich?

Wer eine dieser Fragen mit Nein beantwortet, hat wahrscheinlich den Grund gefunden, warum das eigene Projekt zu den 89 Prozent gehört, die nicht produktiv laufen. Die gute Nachricht: Alle drei Lücken lassen sich innert einer Woche schliessen, ganz ohne neue Technologie. Ein Satz zum Prozess, eine Zielzahl, ein Name.

Fazit: Die Zahl ist eine Einladung

Die 11 Prozent sind keine schlechte Nachricht, sondern eine Landkarte. Sie zeigen, dass das Experimentieren in der Branche weit verbreitet ist und der Engpass woanders liegt: in der Datenbasis, in der Verantwortung und im Ziel. Wer jetzt mit einem sauber gewählten Piloten startet, gehört in einem Jahr zu den produktiven Häusern, während die Mehrheit noch experimentiert. Und wer die Studie als Bestätigung liest, dass «KI bei uns ohnehin nicht funktioniert», liest sie falsch: Sie zeigt fast im Vorbeigehen, dass produktiver Einsatz heute schon möglich ist und die Eintrittshürde keine technologische ist. Welche Anwendungsfälle sich dafür zuerst eignen und wie die ersten 30 Tage aussehen, steht im Pillar-Artikel KI für unabhängige Vermögensverwalter: 7 Anwendungsfälle, die heute schon funktionieren. Für ein Gespräch über Ihre Situation erreichen Sie uns über KI für Vermögensverwalter.

FAQ

Wie repräsentativ ist die Studie?

Über 40 unabhängige Vermögensverwalter wurden zwischen April und Juni 2026 strukturiert befragt. Es ist eine der ersten strukturierten Erhebungen dieser Art für die Schweiz und bewusst explorativ angelegt. Die Stichprobe ist klein genug, um einzelne Prozentpunkte nicht zu überinterpretieren, und gross genug, um die Grössenordnung ernst zu nehmen.

Was heisst «produktiv» in der Studie?

Die Studie unterscheidet Experimente mit öffentlichen Tools, Pilotprojekte und produktive Implementierungen. Produktiv heisst: Die Anwendung ist in den Regelbetrieb eingebunden und läuft verlässlich, nicht nur in der Erprobung.

Wo finde ich die Studie?

Die Studie «AI Use Cases and Crypto Assets in External Asset Management» von HSLU und Finup (Juli 2026) ist über die Research-Seite von Finup verlinkt.