
KI für Finanzdienstleister in der Schweiz: der Leitfaden 2026

Von
Ennio Limbach Brun del Re
KI für Finanzdienstleister ist 2026 kein Zukunftsthema mehr. Fast die Hälfte der unabhängigen Vermögensverwalter in der Schweiz nutzt KI bereits in einzelnen Prozessen, doch nur ein kleiner Teil betreibt Anwendungen produktiv. Dieser Leitfaden zeigt, was KI einem Finanz-KMU heute konkret bringt: welche Anwendungsfälle sich zuerst lohnen, was der Einstieg kostet, was die Regulierung verlangt und wie Sie in vier Phasen vom ersten Piloten in den zuverlässigen Betrieb kommen.
Wo steht die Schweizer Finanzbranche 2026?
Die Hochschule Luzern und das Zürcher WealthTech Finup haben zwischen April und Juni 2026 über 40 unabhängige Vermögensverwalter strukturiert befragt (AI Use Cases and Crypto Assets in External Asset Management, Juli 2026). Das Ergebnis beschreibt die Ausgangslage präziser als jede Prognose:
- 49 Prozent der befragten Vermögensverwalter nutzen KI bereits in ausgewählten Prozessen, weitere 39 Prozent befinden sich in der Erkundungs- oder Planungsphase.
- Von den 65 gemeldeten KI-Anwendungen sind 66 Prozent Experimente mit öffentlichen Tools, 23 Prozent Pilotprojekte und 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.
- Am häufigsten im Einsatz: Investment-Research, KYC- und AML-Prüfungen sowie Kundenkommunikation.
Lesenswert ist auch, was die Befragten antreibt: 93 Prozent nennen erwartete Effizienzgewinne als wichtigsten Treiber, die Positionierung als Innovator spielt mit 32 Prozent eine untergeordnete Rolle. Ein befragter Vermögensverwalter bringt es auf den Punkt: Über die Jahre hätten administrative Aufgaben stetig zugenommen, insbesondere wegen regulatorischer Anforderungen, und er hoffe, dass KI den Firmen einen Teil der Zeit für den Endkunden zurückgibt.
Die Studie zeigt zudem eine klare Zweiteilung. In sprach- und inhaltslastigen Bereichen wie Investment-Research, Offertenerstellung und Kundenreporting ist der KI-Einsatz bereits sichtbar. Bei workflow- und datenintensiven Prozessen wie dem Kundenonboarding oder dem Abgleich mit Depotbanken bleibt er trotz wahrgenommenem Potenzial gering. Wer heute startet, beginnt deshalb am besten dort, wo Sprache und Dokumente im Zentrum stehen, und erweitert danach Richtung Workflows.
Meine Lesart dieser Zahlen: Der Engpass ist nicht die Technik. Es fehlt an bereiten Daten, an klarer Verantwortung und an einem messbaren Ziel für den ersten Piloten. Genau dort setzt dieser Leitfaden an.
In der grossen Welt ist dieselbe Entwicklung schon weiter. McKinsey schätzt den jährlichen Mehrwert generativer KI allein im Bankensektor auf 200 bis 340 Milliarden US-Dollar (The economic potential of generative AI, Juni 2023). Was Versicherer, Neobanken und grosse Vermögensverwalter seither in Jahresprojekten aufgebaut haben, steht einem Finanz-KMU heute in Wochen offen. Der Grund: Die Bausteine sind standardisiert, die Modelle günstig, und das Hosting in der Schweiz ist gelöst.
Was hat sich für Finanz-KMU geändert?
Vor drei Jahren hiess KI im Finanzbereich: eigenes Team, eigenes Modell, eigenes Rechenzentrum. Das ist vorbei. Drei Dinge haben sich geändert.
Erstens: die Kosten. Moderne Sprachmodelle bezahlen Sie pro Nutzung, nicht als Grossprojekt. Ein Pilot kostet heute so viel wie früher die Machbarkeitsstudie.
Zweitens: das Hosting. Regelmässig als Erstes kommt die Frage: Wo liegen meine Daten? Die Antwort ist heute einfach. Geschützte Schweizer Cloud-Umgebungen, zum Beispiel Microsoft Azure in der Region Zürich Nord, halten Kundendaten im Land und trennen sie sauber von öffentlichen Modellen.
Drittens: die Bausteine. Konnektoren zu CRM, Dokumentenmanagement und Buchhaltung existieren fertig. Ein KI-Agent muss Ihren bestehenden Stack nicht ersetzen. Er wird zum intelligenten Orchestrator über den Systemen, die Sie bereits nutzen.
Zusammen verändert das die Einstiegslogik. Früher begann ein KI-Vorhaben mit einem Budgetbeschluss und einem Jahresplan. Heute beginnt es mit einem einzigen Prozess, einer überschaubaren Investition und einem Ergebnis nach wenigen Wochen. Die Frage ist nicht mehr «Können wir uns KI leisten?», sondern «Welcher Prozess liefert den schnellsten Beweis?».
Welche Anwendungsfälle tragen am schnellsten?
KI muss nicht mit einem Grossvorhaben beginnen. Die grössten Erträge kommen oft aus der Automatisierung alltäglicher Aufgaben mit hohem Volumen. Fünf Felder haben sich in der Praxis bewährt:
- Kundenreporting und Dashboards. Leistungs-, Risiko- und Compliance-Berichte direkt aus den Kernsystemen erzeugen, mit Templating, Versionierung und Audit-Log. Das Ergebnis ist reproduzierbar und prüfbar.
- Dokumentenverarbeitung. Eingehende Verträge, Steuerformulare und KYC-Unterlagen werden gelesen, klassifiziert und abgelegt. Nachgelagerte Arbeiten wie die Compliance-Prüfung starten mit bereiten Daten.
- Compliance-Screening. KYC, AML, Sanktions- und PEP-Abgleich, periodisches Re-Screening, Erkennung von Diskrepanzen. Die Maschine markiert Auffälligkeiten, der Mensch entscheidet.
- Kundeninteraktion. Gesprächsvorbereitungen, Entwürfe für Follow-up-Mails, Beantwortung von Standardanfragen mit menschlicher Freigabe.
- Backoffice und Buchhaltung. Rechnungen verarbeiten, Zahlungen abgleichen, Konten abstimmen, Anomalien markieren.
Dadurch verschiebt sich die Rolle der Mitarbeitenden: weg von der Verarbeitung, hin zur Prüfung von Ergebnissen und Ausnahmen. Genau dort entsteht der Wert, den Kunden bezahlen.
Was bedeutet das für unabhängige Vermögensverwalter?
Kaum eine Branche trägt so viel administrative Pflicht pro Mitarbeitender wie die unabhängige Vermögensverwaltung. Genau deshalb ist hier der Hebel am grössten.
Die Studie zeigt, warum der Schmerz gross ist: Aufwand für Onboarding, KYC und Reporting wächst seit Jahren, während die Teams gleich bleiben. Ein konkretes Beispiel aus meiner Arbeit: T&T International, ein Wealth Manager mit sehr kleinem Team, bewältigt hohe Mengen an Compliance-Arbeit und Reporting mit einer Operations-Applikation. Sie liest Bank-Reports aus, bereitet die nötigen Dokumente inklusive Compliance-Check vor und stellt dem Kunden aggregiert dar, was er wo hält: mehrere Banken, Währungen, Produkte. Der Zeitaufwand ist um 80 Prozent gesunken.
In der grossen Welt zeigt meine Arbeit mit additiv, wie Institute denselben Gedanken skalieren: hybride Beratung, bei der KI den Berater in Vor- und Nachbereitung unterstützt, oder diskretionäres Portfolio-Management mit Self-Service-Onboarding und automatisierter Abwicklung, eingeführt bei einer der grössten Neobanken Europas. Was davon für ein kleines Haus zählt, ist die Logik, nicht die Grösse: Daten einmal sauber erfassen, Dokumente automatisch vorbereiten, den Menschen für die Beratung freischaufeln.
Mehr dazu auf der Landing Page KI für Vermögensverwalter. Vertieft im Pillar-Artikel KI für unabhängige Vermögensverwalter: 7 Anwendungsfälle, die heute schon funktionieren.
Was bedeutet das für Versicherungsbroker?
Für Broker verschiebt KI zwei Engpässe gleichzeitig: die Vorbereitung pro Kunde und die Suche nach neuen Kunden. Im Bestand: Ein Offertenvergleichs-Agent vergleicht alle Angebote eines Kunden innert Sekunden und bereitet eine individualisierte Mail vor. Der Kunde sieht vor der Beratung, was er einspart oder an Zusatzdeckungen gewinnt. In der Akquise: Gute Neugeschäfte beginnen beim Anlass, nicht beim Anruf. KI erkennt Kaufsignale wie Standorterweiterungen oder Stellenaufbau und bereitet die Ansprache vor.
Auch hier lohnt der Blick zu den Grossen. Ein Advisor Assistant, eingeführt bei einem der weltweit grössten Versicherer, schlägt Next Best Actions auf Basis von Kundenhistorie und Trigger-Faktoren vor und versendet Anlass-Mails automatisch. Für einen Broker mit einem Team von drei bis dreissig Personen reicht ein Bruchteil davon: die richtigen Anlässe finden und zur richtigen Zeit persönlich ansprechen.
Vertieft auf der Landing Page KI für Versicherungsbroker.
Was bedeutet das fürs Backoffice?
Überall dort, wo Zahlen und Dokumente fliessen, trägt Automatisierung am schnellsten: Rechnungsverarbeitung, Abstimmungen, Steuervorbereitung, periodische Reports. Diese Prozesse haben klare Ein- und Ausgaben und ein überschaubares Risiko. Dadurch eignen sie sich ideal als erster Pilot.
Ein typisches Muster aus der Praxis: Rechnungen kommen per E-Mail, werden manuell erfasst, kontiert und freigegeben. Ein Agent liest die Anhänge, gleicht sie mit Lieferanten und Verträgen ab, schlägt die Kontierung vor und markiert Abweichungen. Der Mensch prüft die Ausnahmen, nicht jeden Beleg. Dasselbe Muster funktioniert für Abstimmungen mit Depotbanken, für die Vorbereitung von Steuerunterlagen und für periodische Qualitätskontrollen in den Stammdaten.
Wie funktioniert ein KI-Agent im Betrieb?
Der Begriff klingt abstrakt, die Umsetzung ist es nicht. Ein KI-Agent ist eine Software-Komponente mit vier Fähigkeiten:
- Wahrnehmen: Er liest Input aus Dokumenten, APIs oder Systemereignissen.
- Planen: Er entscheidet, welche Schritte nötig sind, zum Beispiel ein Modell aufrufen oder eine Datenbank abfragen.
- Ausführen: Er ruft Werkzeuge auf, erzeugt Ergebnisse und stösst Workflows an.
- Erinnern: Er hält Kontext und vergangene Schritte fest, damit Entscheide nachvollziehbar bleiben.
Entscheidend für den Alltag: Der Agent nutzt dieselben Werkzeuge wie Sie heute. Über APIs und Konnektoren spricht er mit CRM, Dokumentenmanagement und Buchhaltung. Wo keine Schnittstelle existiert, übernimmt Bildschirmautomatisierung. Die Kernprozesse, Daten und Systeme bleiben, die Intelligenz kommt als Schicht darüber.
In einer regulierten Branche läuft der Agent im assistierten Modus. Er erstellt Entwürfe, markiert Auffälligkeiten und bereitet Entscheide vor. Die Freigabe bleibt beim Menschen. Jede Aktion wird protokolliert, mit Zeitstempel und Begründung. Dadurch entsteht genau die Spur, die Revisionen und Aufsicht erwarten.
Konkret sieht die Zusammenarbeit im Alltag so aus: Der Agent erstellt morgens die vorbereiteten Dossiers, Ihre Mitarbeitenden prüfen und ergänzen, und erst nach einer Freigabe geht etwas an Kunden oder ins Archiv. Am Anfang prüfen Sie strenger, mit wachsender Trefferquote lockern Sie die Prüfdichte dort, wo der Agent zuverlässig arbeitet. Vertrauen entsteht hier nicht per Vertragsklausel, sondern durch gemessene Qualität über Wochen.
Was verlangt die Regulierung?
Ich fasse bewusst kurz und vorsichtig, denn die Details hängen von Ihrer Bewilligung und Ihrem Geschäftsmodell ab.
- FINMA: Die Aufsichtsmitteilung 08/2024 vom Dezember 2024 beschreibt Erwartungen an Governance und Risikomanagement beim Einsatz von KI (FINMA, Aufsichtsmitteilung 08/2024). Der Kern: Sie müssen wissen, wo KI eingesetzt wird, wer dafür verantwortlich ist und wie Fehler auffallen. Das verlangt keine Konzernstruktur, sondern Klarheit. Für ein kleines Institut heisst das praktisch: eine Übersicht der KI-Anwendungen, eine benannte Verantwortung und ein Weg, wie Auffälligkeiten gemeldet und behoben werden. Was die sieben Massnahmen der Mitteilung konkret verlangen und welche Minimalversion für ein kleines Team genügt, steht im Artikel FINMA-Aufsichtsmitteilung 08/2024 einfach erklärt.
- Datenschutz (revDSG): Bei der Bearbeitung von Personendaten gelten Zweckbindung, Datensicherheit und Transparenz (revidiertes Datenschutzgesetz, Fedlex). Für KI heisst das praktisch: Daten im Land halten, Zugriffe rollenbasiert steuern, keine Kundendaten in öffentliche Modelle. Die zehn wichtigsten Pflichten als Arbeitsliste stehen in der revDSG-Checkliste für Finanzdienstleister; die Standortfrage vertieft der Artikel KI-Hosting in der Schweiz.
- FIDLEG: Dokumentations- und Beratungspflichten gegenüber Kunden bleiben bestehen (FIDLEG, Fedlex). KI kann Protokolle vorbereiten und vereinheitlichen, die Verantwortung für die Beratung bleibt beim Menschen.
- VAG: Für Versicherungsvermittler gelten eigene Anforderungen an Information und Dokumentation (VAG, Fedlex). Auch hier gilt: KI darf unterstützen, die Pflichten bleiben.
Meine Erfahrung: Wer Prüfbarkeit, Datenlokalität und menschliche Freigabe von Anfang an einplant, spart sich später teure Umbauten. Compliance ist hier kein Bremsklotz, sondern ein Designprinzip.
Was kostet der Einstieg?
Kaum jemand nennt Zahlen. Ich nenne sie als Grössenordnungen, weil der genaue Betrag vom Umfang des Pilots abhängt: Ein konformes Setup liegt im mittleren fünfstelligen Frankenbereich, ein schlanker Pilot darunter, dazu kommen überschaubare monatliche Kosten für Betrieb, Modelle und Support. Grössere oder hybride Umgebungen liegen darüber.
Die Rechnung geht meist schnell auf. Wenn Automatisierung 60 bis 100 Stunden manuelle Arbeit pro Monat freisetzt, amortisiert sich das Setup in der Regel innert 6 bis 12 Monaten. Zum Vergleich: Die vollständigen Kosten eines Pilotjahres liegen in etwa im Bereich einer halben Stelle über dieselbe Zeit, mit dem Unterschied, dass die gewonnene Kapazität danach bleibt.
Die Details stehen im Kostenartikel Was kostet KI für Finanzdienstleister?, und mit dem Readiness Check schätzen Sie Ihre Ausgangslage in wenigen Minuten ein.
Welche Fehler sollten Sie vermeiden?
Aus der Studie und aus eigenen Projekten lassen sich vier Muster ableiten, die Piloten bremsen:
- Daten nicht bereit. Nur 27 Prozent der befragten Vermögensverwalter schätzen ihre Daten als KI-bereit ein. Wer die Datenaufbereitung unterschätzt, bezahlt sie später doppelt.
- Niemand ist verantwortlich. Ein Pilot ohne Besitzerin oder Besitzer verliert nach der ersten Demo an Schwung.
- Kein messbares Ziel. «Wir probieren mal KI» ist kein Ziel. «Wir halbieren die Zeit pro Kundenreport» ist eines.
- Zu grosser erster Wurf. Drei Workflows gleichzeitig bedeuten dreifache Abstimmung und kein sauberes Ergebnis.
Projekte, die produktiv gehen, machen es umgekehrt: ein Prozess, ein Verantwortlicher, eine Zielgrösse, ein fester Review-Termin pro Woche.
Wie gehe ich vor? Vier Phasen
Phase 1: Analyse (2 bis 4 Wochen). Prozesse kartieren, Engpässe quantifizieren, Datenlage prüfen. Am Ende steht ein Pilotkandidat mit hohem Volumen, klaren Ein- und Ausgaben und moderatem Risiko.
Phase 2: Pilot (4 bis 8 Wochen). Einen Workflow automatisieren, im Parallelmodus laufen lassen und menschliche Ergebnisse mit denen des Agenten vergleichen. Fehlerquote, Durchlaufzeit und Nutzerfeedback messen.
Phase 3: Einführung (2 bis 3 Monate). Das Team einbinden, Verantwortlichkeiten und Freigaben festlegen, Governance und Protokollierung produktiv schalten. Danach angrenzende Workflows anschliessen.
Phase 4: Betrieb (laufend). Qualität überwachen, Modelle und Regeln nachführen, Regulatorik im Blick behalten. Der Betrieb ist kein Projektende, sondern der Normalzustand.
Zwei Dinge halte ich über alle Phasen hinweg für entscheidend. Erstens ein fester Rhythmus: Wöchentlich fünfzehn Minuten auf die Kennzahlen schauen, monatlich entscheiden, was ausgebaut wird. Zweitens ehrliche Kommunikation im Team: Der Agent übernimmt Verarbeitung, damit Menschen mehr Zeit für Kunden und für die anspruchsvollen Fälle haben. Teams, die das so erleben, bringen selbst die nächsten Anwendungsfälle.
Aus meiner Praxis: Die Piloten, die scheitern, haben selten ein Technologieproblem. Sie haben kein messbares Ziel oder niemanden, der den Pilot besitzt. Die Piloten, die produktiv gehen, starten mit einem einzigen, klar begrenzten Prozess und einer Person, die jeden Freitag auf die Zahlen schaut.
Warum ich das so sehe
Ich schreibe das nicht von aussen. Bei additiv bin ich dabei, wie Versicherer und Neobanken Beratungsapplikationen bauen: geführte Beratung für komplexe Themen, Advisor Assistants, die Gespräche vorbereiten, Self-Service-Onboarding im Portfolio-Management. Mit Humanyx übersetze ich dieselbe Logik auf kleine Teams: Leadstreams für den Vertrieb, Taskstreams für den Betrieb. Und bei Kunden wie T&T International sehe ich, dass die Rechnung auch für ein Team mit wenigen Personen aufgeht, wenn der Einstieg stimmt.
Diese Perspektive prägt die Empfehlungen in diesem Leitfaden: klein starten, Regulierung von Anfang an mitdenken, Wirkung messen, dann skalieren. Sie prägt auch die Grenzen, die ich setze: KI ersetzt in meinen Projekten keine Beratung und keine Verantwortung. Sie gibt Zeit zurück, die in Verarbeitung gebunden war, und macht Entscheide nachvollziehbarer. Alles darüber hinaus ist Versprechen statt Praxis.
Fazit: Ihr nächster Schritt
Die Branche bewegt sich, die Technik ist bereit, und die Kosten sind überschaubar. Was fehlt, ist meist nur der erste, gut gewählte Prozess. Wählen Sie diese Woche einen Ablauf aus, der Ihrem Team regelmässig Stunden stiehlt, zum Beispiel Reporting, Dokumentenaufnahme oder Compliance-Abgleich. Prüfen Sie mit dem Readiness Check Ihre Ausgangslage, und wenn Sie eine unabhängige Einschätzung wollen: Auf der Seite KI-Beratung finden Sie den direkten Weg zu einem Gespräch.
FAQ
Lohnt sich KI schon für ein Team mit fünf Personen?
Ja, oft sogar besonders. Kleine Teams spüren repetitive Arbeit direkt, und die Einstiegskosten für einen Piloten liegen im Bereich einer Teilzeitstelle über wenige Monate. Entscheidend ist ein klar begrenzter erster Prozess.
Brauche ich ein eigenes KI-Modell?
Nein. Bewährt haben sich Standardmodelle, die in einer geschützten Schweizer Cloud-Umgebung laufen und über Konnektoren mit Ihren Systemen sprechen. Ein eigenes Modell ist erst bei sehr speziellen Anforderungen sinnvoll.
Was passiert mit meinen Kundendaten?
In einem konformen Setup bleiben Kundendaten in der Schweiz, zum Beispiel in der Azure-Region Zürich Nord. Sie fliessen nicht in das Training öffentlicher Modelle. Zugriffe sind rollenbasiert und protokolliert.
Wie schnell amortisiert sich ein Pilot?
Als Erfahrungswert aus eigenen Projekten: 6 bis 12 Monate, wenn der Pilot einen Prozess mit hohem manuellem Aufwand automatisiert. Ohne messbares Ziel dauert es länger oder gar nicht.
Muss ich den Einsatz von KI der FINMA melden?
Das hängt von Ihrer Bewilligung und Ihrem Aufsichtsregime ab. Die FINMA formuliert Erwartungen an Governance und Risikomanagement, keine generelle Meldepflicht für jeden KI-Einsatz. Klären Sie Ihren konkreten Fall mit einer Fachperson, siehe den Hinweis im Abschnitt zur Regulierung.
Welche Schweizer Finanzinstitute setzen KI bereits ein? Die KI-Landkarte Schweizer Finanzplatz zeigt öffentlich bekannte Initiativen mit Quelle und Status.

Über den Autor
Ennio Limbach Brun del Re
Ennio Limbach Brun del Re ist Gründer von Humanyx, Leadstreams und Taskstreams. Über seine Zeit bei additiv bringt er langjährige WealthTech-Erfahrung mit und begleitet Finanzdienstleister bei der Einführung von KI-Systemen.
LinkedIn

