Heutzutage kommt man am Thema Künstliche Intelligenz (KI) kaum noch vorbei. Während manche KI als Heilsbringer für Innovation und Effizienz ansehen, befürchten andere, dass sie den Menschen langfristig ersetzen soll. Heilsbringer oder Untergang, die Wahrheit liegt wie bei anderen Innovationen und technischen Entwicklungen wahrscheinlich dazwischen und wird am Ende durch die Art der Anwendung bestimmt. Schon jetzt zeichnet sich ab, dass KI als Schlüsseltechnologie auch den Bankensektor grundlegend verändern wird. Jedoch setzen viele Finanzdienstleister sie ein, ohne zu prüfen, ob die Nutzung wirklich angemessen ist und einen Mehrwert gegenüber existierenden Prozessen bietet. Um den Trend nicht zu verschlafen, werden KI-Anwendungen implementiert, ohne ausreichende Prüfung der Datenqualität und im schlimmsten Fall unter Vernachlässigung von Governance und ethischen Leitlinien. Dabei rückt ESG (Environmental, Social, Governance), das noch vor einigen Jahren Trendthema Nummer 1 war, in den Hintergrund.
ESG ist, getrieben durch gesellschaftliche Erwartungen und regulatorische Vorgaben, in den vergangenen Jahren aus der Nische ins Zentrum des Handelns von Finanzdienstleistern gerückt. Für viele Banken ist es kein Trendthema mehr, mit dem man Kunden gewinnen kann, sondern Pflichtprogramm. Beispielsweise müssen Banken laut MiFID II Nachhaltigkeitspräferenzen in der Anlageberatung berücksichtigen und gemäß MaRisk und EBA-Guidelines die Umwelt- sowie Klimarisiken im Risikomanagement integrieren. Die CSRD macht, trotz der aktuellen Überarbeitungen, Vorgaben zur Nachhaltigkeitsberichterstattung und die SFDR stellt Anforderungen zur unternehmens- und produktbezogenen Offenlegung im Wertpapierbereich. Mit dem EU AI Act kommt zudem erstmals ein spezifischer Rechtsrahmen für KI hinzu. Der risikobasierte Ansatz sieht vor, dass KI-Systeme je nach Risiko Anforderungen erfüllen müssen, um in der EU zugelassen zu werden. Bei einem geringen Risiko gelten begrenzte Informations- und Transparenzpflichten, hochriskante KI-Systeme, beispielsweise in den Bereichen kritischer Infrastruktur, Gesundheits- und auch Bankenwesen, müssen deutlich höhere Anforderungen erfüllen. Die Klassifizierung adressiert bisher vor allem Risiken in Bezug auf Grundrechte der Bürger und Diskriminierung und macht Vorgaben zu notwendigen Governance- und Risikomanagement-Strukturen. Ökologische Auswirkungen von KI werden bislang nur am Rande über Transparenz- und Energieeffizienzanforderungen aufgegriffen.
Diese Entwicklungen erfordern immer größere Mengen an Daten und Datenpunkten, die aufgenommen und ausgewertet werden müssen. Hier bietet KI Chancen, schneller, effizienter und verlässlicher zu werden, wirft jedoch gleichzeitig Fragen zur Einwertung von KI entlang der drei ESG-Dimensionen (Environmental, Social, Governance) und zur Vereinbarkeit mit nachhaltiger Unternehmensführung auf.
Dieser Beitrag schafft Transparenz über die Auswirkungen von künstlicher Intelligenz auf die drei Dimensionen von ESG, betrachtet aktuelle Anwendungsfälle an der Schnittstelle von KI- und ESG-Aspekten und gibt Impulse zu einer ESG-gerechten KI-Implementierung.
Künstliche Intelligenz hat großes Potenzial, Nachhaltigkeitsziele entlang der drei ESG-Dimensionen durch Prozessoptimierung und Ressourceneinsparung zu unterstützen. Insbesondere die ökologische Dimension kann profitieren: In der Landwirtschaft lässt sich beispielsweise die Bewässerung durch KI so steuern, dass bis zu 30 % weniger Wasser verbraucht und dennoch höhere Ernteerträge erzielt werden. 1 Äquivalent dazu können in Industrie und Gebäudetechnik KI-basierte Steuerungen den Energieverbrauch senken und so Emissionen reduzieren. Mithilfe von KI lassen sich außerdem Umweltprobleme schneller erkennen und bewältigen. So können KI-gestützte Analysen Ölverschmutzung in Meeren frühzeitig entdecken, Landnutzungsänderungen wie Entwaldung präzise erfassen, Treibhausgasemissionen quantifizieren und die Überwachung des Zustands von Wäldern verbessern, um negativen Effekten frühzeitig gegenzusteuern. Auch im Klimaschutzmanagement (z. B. bei Smart Grids) hilft KI, Energiesysteme effizienter und umweltfreundlicher zu gestalten. Sie kann außerdem auf dem Weg zur Kreislaufwirtschaft helfen, indem sie Sortierprozesse im Recycling optimiert, Verschwendung reduziert und ressourcenschonende Produktion fördert.
Mit Blick auf Banken ist der Nutzen von KI insbesondere in der Governance-Perspektive zu sehen, beispielsweise in der Risikoanalyse. Durch die Erkennung von Mustern in Verbindung mit der Verarbeitung und Auswertung großer Datenmengen, lassen sich Risiken frühzeitig erkennen und mitigieren.
Die Kehrseite stellt die negative Wirkung von KI auf alle drei ESG-Perspektiven dar.
Der ökologische Impact von KI erstreckt sich über den gesamten Lebenszyklus: Von der Herstellung der Hardware und dem Bau neuer Rechenzentren über den Energieverbrauch für Training und Betrieb der Modelle bis hin zu einem höheren Bedarf an neuen Elektrogeräten sowie deren Entsorgung (Elektronikschrott). Trotz dieser starken Umweltbelastungen mangelt es an belastbaren Daten, standardisierten Messmethoden und Transparenz über die Auswirkungen. Viele Betreiber und Anbieter veröffentlichen kaum Informationen über den Ressourcenverbrauch ihrer KI-Systeme.
Die prominenteste negative Auswirkung ist der Stromverbrauch von KI-Modellen. Eine Anfrage an ChatGPT verbraucht gegenüber einer Google-Suche laut IEA etwa das Zehnfache an Strom. Die Integration von KI in Suchmaschinen und die wachsende Zahl an Anfragen täglich führt zu einer globalen Zunahme des Energieverbrauchs. Dieser Trend wird sich in kommenden Jahren noch verstärken. 2
Neben Strom verbraucht KI auch große Mengen Wasser und andere Ressourcen. Um die Hitzeentwicklungen in Rechenzentren unter Kontrolle zu halten, ist eine intensive Kühlung erforderlich, häufig mit Frischwasser. In wasserarmen Regionen führt der Kühlungsbedarf zu Wettbewerb mit anderen Nutzenden (z. B. Landwirtschaft, Bevölkerung) und kann lokale Ökosysteme belasten.
Außerdem benötigt die Herstellung der Hardware (Rechenzentren, Server, Chips) große Mengen an Rohstoffen, deren Abbau oft ökologisch problematisch ist. Der Bau und die Erweiterung von Rechenzentren (Baumaterialien, Infrastruktur, Transport) verursacht „eingebettete“ CO₂-Emissionen (sogenanntes „embodied carbon“), da sowohl die Herstellung vieler Baumaterialien, wie beispielsweise Zement, als auch der Transport schwerer Güter mit hohen CO₂-Emissionen verbunden ist. Die verwendete Hardware enthält oftmals giftige Stoffe (z. B. Quecksilber, Blei), die am Ende der Lebensdauer Entsorgung und Recycling erschweren.
Zudem können KI-Anwendungen auch indirekt Umweltbelastungen erzeugen, z. B. wenn autonome Fahrzeuge statt öffentlicher Verkehrsmittel genutzt werden. 3
In Bezug auf die soziale und Governance-Perspektive birgt KI das Risiko, menschliche Vorurteile oder Fehlinformationen als Fakten darzustellen, abhängig davon, mit welchen Daten sie trainiert wurde. Eine neue Studie der Europäischen Rundfunkunion zeigt, dass 45 % aller Antworten verschiedener KIs mindestens ein signifikantes Problem enthielten. Dies waren beispielsweise falsch zitierte Quellen, Aussagen, die ohne Quellenangaben als Fakt präsentiert wurden, oder sogar Falschaussagen. KI wird oft als neutrale Instanz gesehen, die sie jedoch oftmals nicht ist, und kann somit dazu verleiten, falsche oder problematische Informationen als wahr anzusehen. Auch der Einfluss auf Datenschutz und Urheberrecht ist noch nicht in vollem Ausmaß geklärt und wird von KI-Systemen ausreichend berücksichtigt. Politisch versucht die EU, diesen Risiken mit dem AI Act zu begegnen. Dieser Rechtsrahmen legt strenge Vorgaben in Bezug auf Governance, Datenqualität, Transparenz und Risikomanagement für Hochrisiko-Systeme („high risk systems“) fest, etwa im Kredit-Scoring oder bei der Bewertung von Kreditwürdigkeit. Damit adressiert der AI Act vor allem die soziale und Governance-Perspektive von KI, während ökologische Auswirkungen wie Energie- und Ressourcenverbrauch bislang nur teilweise (z. B. zur Energieeffizienz von Rechenzentren) widergespiegelt werden.
Der Nutzung von KI sollten demnach die gesamten ökologischen und sozialen Kosten den Effizienzgewinnen gegenübergestellt werden. Diese ganzheitliche Betrachtung ist notwendig, um abzuwägen, in welchen Anwendungsfällen der Nutzen die Kosten für die Gesellschaft und die Umwelt rechtfertigt. So darf der Einsatz von KI im Namen der Effizienz nicht zulasten sozialer Aspekte wie Fairness oder Datenschutz gehen. KI sollte verantwortungsvoll entwickelt und eingesetzt werden, um Nachhaltigkeitsziele zu fördern, statt ihnen entgegenzuwirken. Ein möglicher Lösungsansatz ist die Entwicklung und Einführung echter verbindlicher Standards für die transparente Messung und Berichterstattung des Ressourcenverbrauchs (bspw. Energie, Wasser) solcher Systeme und die regelmäßige Prüfung, ob die verwendete Hardware noch auf dem neuesten technischen und energetischen Stand ist. Ergänzt durch konkrete Zielwerte, ein Beschaffungsmanagement und ein Entsorgungssystem für Altgeräte, das auf Recycling, Ressourcenschonung und Kreislaufwirtschaft ausgelegt ist, könnten Unternehmen sicherstellen, dass KI aktiv zur Erreichung von Nachhaltigkeitszielen beiträgt.
Mit Blick auf den Finanzsektor ist Künstliche Intelligenz bereits als Unterstützung entlang der gesamten Wertschöpfungskette in der Praxis angelangt. Institute nutzen KI für viele Use Cases, mit dem Ziel, Kosten zu senken und Risiken früher zu erkennen. Kundinnen und Kunden können gleichzeitig noch zielgerichteter bedient werden. Der Weg dorthin folgt einem klaren Muster: Im ersten Schritt braucht es eindeutig definierte, belastbare Daten, die konsistent erhoben werden können und sich dauerhaft im Zugriff befinden. Anschließend müssen Governance- und Modellrisikomanagement ausgearbeitet und schriftlich fixiert werden: Rollen, Verantwortlichkeiten, Dokumentation, Erklärbarkeit und Kontrollen. Zudem beginnt eine erfolgreiche Umsetzung zunächst mit einem überschaubaren und geschäftsnahen Use Case, der schnell Wirkung zeigt und dann über Plattformen skalieren kann.
Auch im Zahlungsverkehr kommt KI zunehmend zum Einsatz. Insbesondere bei Echtzeitüberweisungen steigt dadurch der Energiebedarf der Bankinfrastruktur. Instant Payments erfordern permanente Systemverfügbarkeit, laufende Risiko- und Betrugsprüfungen sowie KI-basierte Mustererkennung in Millisekunden. Im Gegensatz zu klassischen Batch-Prozessen, die Aufgaben bündeln und in Zeiten niedriger Netzlast ausführen, müssen Echtzeitsysteme 24/7 Rechenkapazitäten vorhalten und auf Spitzenlasten vorbereitet sein. Das erhöht den Grundenergieverbrauch und vergrößert den ökologischen Fußabdruck pro Transaktion. Der Energie- und Rechenaufwand bei Instant Payments fällt nach Einschätzungen von Mitgliedern der European Automated Clearing House Association (EACHA) etwa dreimal höher aus als bei klassischen Batch-Verfahren. Ursache dafür ist vor allem der zusätzliche CPU-Bedarf, der für die Verarbeitung jeder einzelnen Echtzeittransaktion notwendig ist und sowohl Betreiber als auch Banken stärker beansprucht. Darüber hinaus treiben veraltete Softwarelandschaften diesen Verbrauch weiter nach oben, während moderne Anwendungen und cloudbasierte Infrastrukturen spürbare Effizienzgewinne ermöglichen. 4
Banken sollten daher abwägen, in welchen Bereichen Echtzeit wirklich notwendig ist und wie KI-gestützte Systeme energieeffizient gestaltet werden können, ohne den Verlust von Sicherheits- und Komfortgewinnen zu riskieren.
In Risikomanagement und Compliance unterstützt KI bereits heute bei der Unterscheidung zwischen statistischem Rauschen sowie relevanten Daten und Mustern. Moderne AML-Modelle reduzieren Fehlalarme und lenken die Aufmerksamkeit auf tatsächlich auffällige Muster. In der Betrugsabwehr erkennen Modelle Anomalien in Karten- und Online-Transaktionen in Echtzeit, was Verluste senkt und den Kunden mehr Sicherheit bietet. Im Kreditgeschäft werden durch Frühwarnsysteme, die Konto- und Marktsignale einspeisen, mögliche Ausfälle früher vorhergesagt.
Auch der Kundendialog verändert sich durch den Einsatz künstlicher Intelligenz: „Next Best Action“-Empfehlungen machen situative und personalisierte Angebote, Chat- und Voice-Assistenten beantworten Standardfragen rund um die Uhr und entlasten Hotlines.
Die größten Produktivitätsgewinne entstehen jedoch oft im Backoffice. Systeme verstehen und extrahieren Inhalte aus Verträgen oder KYC-Unterlagen, was somit Durchlaufzeiten reduziert und Medienbrüche vermeidet. Posteingänge werden automatisch sortiert und zusammengefasst. Durch eine automatische Weiterleitung landen Vorgänge ohne Umwege zudem direkt bei der zuständigen Bearbeitungsstelle. Im Reporting und bei der Regulatorik generieren Assistenzsysteme bereits erste Entwürfe, markieren Abweichungen und stellen Quellen zusammen, was Teams mehr Zeit für Analyse statt Fleißarbeit schafft. Auch bei Marktanalysen und in der Steuerung zeigt KI ihre Wirkung: Vorhersagen sind besser und Preismodelle robuster, was Margen stabilisiert.
JPMorgan Chase nutzt mit „COiN“ die automatisierte Analyse von Kredit- und ISDA-Klauseln, um das Legal- und Operations-Backoffice deutlich effizienter zu machen. 5
HSBC hat im Bereich Financial-Crime gemeinsam mit Google Cloud ein dynamisches, KI-gestütztes Transaktionsmonitoring aufgebaut und berichtet von zwei- bis viermal so vielen erkannten Fällen bei gleichzeitig höherer Präzision. 6
ING beschleunigt im Bond-Trading mit „Katana“ und „Katana Lens“ die Preisfindung; Pilotergebnisse zeigen um 90 Prozent schnellere Pricing-Entscheidungen und 25 Prozent niedrigere Trading-Kosten. 7
Die Deutsche Bank setzt mit „DB Lumina“ auf eine RAG-basierte Research-Assistenz, die interne Dokumente auswertet, Zusammenfassungen liefert und Q&A ermöglicht. Ein spürbarer Produktivitätshebel für Analystinnen und Analysten im Unternehmen. 8
ABN AMRO skaliert Conversational Services und Hyperautomation mit MS Copilot und Copilot Studio über Millionen von Kundenkontakten und Prozessen hinweg. 9
Auch die Aufsicht sieht die Breitenwirkung: Die European Banking Authority beobachtet derzeit die stärkste KI-Nutzung in Credit Scoring, Kreditwürdigkeitsprüfung und Risikomodellen, aber Reporting und die Schätzung des ESG-Fußabdrucks holen auf. 10
Was heißt das also für die Betrachtung der Schnittstelle von KI und ESG? KI ist kein Selbstzweck, sondern ein operatives Werkzeug. Grundlage muss immer eine solide Datenbasis und gute Governance sein, um mit einem konkreten und greifbaren Use Case zu starten. Wenn ein Pilotprojekt erfolgreich war, ermöglicht eine schnelle Skalierung sichtbare Effekte und die Ausweitung über verschiedene Bereiche wie Risiko, Vertrieb und Märkte hinweg. So kann aus einem Piloten nachhaltige Wertschöpfung entstehen, die die Ressourcennutzung verringert.
Dennoch bleibt zu beachten, dass KI bereits heute eine negative ökologische und soziale Wirkung hat, die nicht ignoriert werden darf. Wer ESG ernst nimmt, muss zukünftig auch die Auswirkungen, insbesondere die negativen, berücksichtigen und die Nutzung gezielt steuern. Nicht jeder Prozess muss durch KI optimiert und unterstützt und nicht jeder Text muss von einer KI geschrieben oder geprüft werden. In der Praxis bewährt sich dabei eine klare Fokussierung auf Anwendungen mit echtem Risikobeitrag oder operativem Hebel, statt KI flächendeckend in „alles-wird-automatisiert“-Logiken zu denken.
Ein zentraler Hebel, um den KI-Einsatz nachhaltiger zu gestalten, ist beispielsweise die Optimierung der Verarbeitungsweise. Batchverarbeitung (Sammelverarbeitung) bündelt Aufgaben und führt sie gesammelt aus, anstatt Daten punktuell in Echtzeit zu verarbeiten. Studien zu Batchverarbeitung und carbon-aware Scheduling zeigen, dass sich der Stromverbrauch nicht-zeitkritischer Workloads um 20 bis 40 Prozent senken lässt; in idealisierten Szenarien werden sogar Einsparungen von bis zu 50 Prozent realisiert. 11, 12
Nicht zeitkritische KI-Workloads (z. B. das periodische Training von Modellen oder große Analysen) sollten daher im Batch-Modus geplant werden. Solche Jobs lassen sich z.B. nachts oder zu Zeiten geringer Netzlast ausführen, wenn zudem oft ein höherer Anteil an erneuerbarem Strom im Netz verfügbar ist. 13 Demgegenüber steht die Direktverarbeitung in Echtzeit, die immer dann erforderlich ist, wenn Ergebnisse ohne Verzögerung benötigt werden, z. B. bei Fraud Detection während einer laufenden Transaktion oder bei der Interaktion mit einem Servicechatbot. Hier muss das KI-System ständig verfügbar und reaktionsfähig sein, was einen höheren Grundenergieverbrauch bedeutet. Zudem werden bei strikter Echtzeitverarbeitung oft maximale Rechenressourcen vorgehalten, um Spitzenlasten sofort abzudecken. Diese Ressourcen laufen dann auch in Leerlaufzeiten weiter.
Zusätzlich ist absehbar, dass sich der regulatorische Rahmen an der Schnittstelle von KI und ESG weiter verdichten wird. Der EU AI Act setzt erste verbindliche Leitplanken für den Umgang mit KI, während CSRD, CSDDD und branchenspezifische Leitlinien die Erwartungen an transparente Berichterstattung und gute Governance beinhalten. Für Banken bedeutet das zusätzlichen Aufwand für Datenauswertung und Reporting, aber zugleich eröffnet sich die Chance, eine Vorreiterrolle einzunehmen. Institute, die bereits heute ökologische und soziale Auswirkungen ihrer KI-Systeme systematisch auswerten und offenlegen, können regulatorische Anforderungen nicht nur erfüllen, sondern diese als Differenzierungsmerkmal und Baustein einer glaubwürdigen Nachhaltigkeitspositionierung nutzen, wodurch insbesondere die Geschäftsbeziehung zu jungen und klimasensiblen Kunden gestärkt werden kann
Damit die Abwägung über die Einsatzgebiete für KI künftig nicht zufällig erfolgt, sondern systematisch, braucht es jedoch mehr als technische Optimierung und regulatorische Compliance. Empfehlenswert ist ein einheitlicher Bewertungsrahmen, der KI-Vorhaben entlang wirtschaftlicher, ökologischer und sozialer Dimensionen prüft und so eine belastbare Entscheidungsgrundlage schafft. In vielen Häusern wird es sinnvoll sein, eine zentrale Stelle zu etablieren (sei es in Form eines KI-Boards oder einer funktionsübergreifenden Governance-Einheit), die Prioritäten setzt, Nutzungsrahmen definiert und Zielkonflikte auflöst. Eine konsistente Bewertungslogik, auf die sich Fachbereiche und Steuerungseinheiten gleichermaßen stützen können, sorgt dafür, dass Nutzenversprechen, Energieprofil und mögliche soziale Auswirkungen vor Projektstart abgeglichen werden. So entsteht aus einer Vielzahl einzelner Initiativen ein gesteuertes Gesamtportfolio, das technologische Ambition und Nachhaltigkeitsziele miteinander verbindet.
Insgesamt gilt: KI ist gekommen, um zu bleiben. Und sie hat ihre Daseinsberechtigung. Banken sollten auf der Basis von Fakten entscheiden, wo sie KI für ihre Prozesse einsetzen, und die ökologischen und sozialen Auswirkungen gegenüber dem ökonomischen Nutzen abwägen. KI sollte, insbesondere bei nicht zeitkritischen Aufgaben, zeitlich und räumlich flexibel (geografisch in Rechenzentren mit günstigerer Energiebilanz) eingesetzt werden, um Lastspitzen abzufedern und den CO₂-Fußabdruck der KI-Berechnungen zu minimieren. Durch einen solchen „grünen“ KI-Betrieb, unterstützt durch Algorithmen zur Laststeuerung, können Banken die Kosten-Nutzen-Bilanz ihrer KI-Systeme erheblich verbessern, indem sie Energie sparen und Emissionen vermeiden, ohne auf die Vorteile der Technologie verzichten zu müssen. Zudem sollte die technische Basis selbst stärker in den Blick genommen werden: Langlebige Hardware, konsequentes Recycling und der Bezug nachhaltig erzeugter Energie sind zentrale Stellhebel, um den ökologischen Fußabdruck der zugrunde liegenden Zahlungs- und KI-Infrastrukturen weiter zu reduzieren. Auch hier zeigt sich, dass technische Effizienz und Nachhaltigkeit keine Gegensätze sind, sondern bei kluger Systemarchitektur Hand in Hand gehen.
AML: Anti Money Laundering oder auch Anti-Geldwäsche
CSDDD: Die Corporate Due Diligence Directive der Europäischen Union oder auch Lieferkettenrichtlinie
CSRD: EU-Richtlinie zur Nachhaltigkeitsberichterstattung
EBA-Guidelines: Die EBA-Guidelines on management of ESG risks verpflichten Finanzinstitute, ESG-Risiken in Governance, ICAAP, Kreditvergabe- und Überwachungsrichtlinien und das Risikomanagement zu integrieren
MiFID II: EU-Richtlinie, die Vorgaben für den Wertpapierhandel definiert, um Markttransparenz zu erhöhen und Anlegerschutz zu erhöhen, Ergänzung um die Abfrage von Nachhaltigkeitspräferenzen seit August 2022
MaRisk: Mindestanforderungen an das Risikomanagement, Ergänzung im Juni 2023 in der 7. MaRisk-Novelle zum Umgang mit Nachhaltigkeitsrisiken
IEA: International Energy Agency
KYC: Know Your Customer
SFDR: Sustainable Finance Disclosure Regulation
In einem Interview mit den Salzburger Nachrichten schildert Harald Kohlberger, geschäftsführender Gesellschafter der Consileon Österreich, seine Beobachtungen zur aktuellen Entwicklung von Digitalisierungsprojekten in der öffentlichen Verwaltung. Seinen Aussagen zufolge würden derzeit nur wenige neue Vorhaben angestoßen, während bestehende Projekte teilweise pausiert oder gestoppt würden.
Kohlberger weist in diesem Zusammenhang auf die Bedeutung digitaler Technologien und insbesondere von Künstlicher Intelligenz (KI) für eine moderne, effiziente Verwaltung hin. Aus seiner Sicht sei es wichtig, den eingeschlagenen Weg der Digitalisierung konsequent weiterzugehen, um langfristig Effizienzpotenziale zu nutzen und die öffentliche Hand zu entlasten.
Die Consileon-Gruppe konnte in den letzten Jahren gemeinsam mit Partnerunternehmen eine umfangreiche öffentliche Ausschreibung im Volumen von rund 700 Millionen Euro für Digitalisierungsprojekte in Österreich für sich entscheiden. In diesen Projekten kommt unter anderem auch die KI-Expertise von Consileon zum Einsatz: Unsere Lösungen reichen von intelligenten Prozessautomatisierungen über datengetriebene Entscheidungsunterstützung bis hin zu maßgeschneiderten KI-Architekturen für die öffentliche Verwaltung.
Der vollständige Artikel ist am 23. Juli 2025 in der Print- und Online-Ausgabe der Salzburger Nachrichten erschienen.
Täglich werden mehr als 4 Billionen Euro über Zentralverwahrer (CSDs) in der EU abgewickelt.1 Dies geschieht durch den sogenannten Settlement-Prozess. Dabei erhalten Käufer am Abwicklungstag ihre Wertpapiere, während Verkäufer gleichzeitig die Zahlungen erhalten. Die zuverlässige und termingerechte Abwicklung dieser Transaktionen bildet das Rückgrat der Kapitalmärkte und gewährleistet, dass Wertpapiergeschäfte effizient, zuverlässig und sicher abgeschlossen werden.
Anfang des 21. Jahrhundert existierten in Europa unterschiedliche Abwicklungszyklen, wobei T+3 der am weitesten verbreiteter Standard war. Die Giovannini-Gruppe identifizierte 2001 insgesamt 15 Barrieren, die die Effizienz des europäischen Wertpapiermarktes beeinträchtigten.
Mit der Verabschiedung der Central Securities Depositories Regulation (CSDR) im Jahr 2014 wurde der Abwicklungszyklus EU-weit auf T+2 vereinheitlicht. Ergänzend dazu wurde zwischen 2015 und 2017 mit TARGET2-Securities (T2S) eine gemeinsame Plattform für die technische Abwicklung geschaffen.
Seitdem haben sich jedoch sowohl die Finanzmärkte als auch die technologische Infrastruktur weiterentwickelt. Fortschreitende Innovationen und zunehmende Automatisierung ermöglichen heute eine effizientere und schnellere Abwicklung. Dies ebnet den Weg für die Umstellung auf T+1, mit dem Ziel, Risiken weiter zu reduzieren und die Abwicklungseffizienz sowie Marktintegration zu stärken.2
Die Europäische Wertpapier- und Marktaufsichtsbehörde (ESMA) hat in einem Bericht vom November 2024 empfohlen, den Abwicklungszyklus für Wertpapiertransaktionen in der EU von T+2 auf T+1 zu verkürzen.3 Damit würde Europa dem Beispiel von Kanada, Indien, den USA und anderen globalen Finanzmärkten folgen.4
Als Zieltermin schlägt die ESMA den 11. Oktober 2027 vor. Dies soll den Marktteilnehmern ausreichend Zeit für eine reibungslose Umstellung bieten, da es sich um eine tiefgreifende Veränderung für den gesamten Finanzmarkt handelt.5
Durch die Verkürzung des Abwicklungszyklus werden Wertpapiergeschäfte bereits am nächsten Tag nach dem Handel final abgewickelt, anstatt wie bisher nach zwei Tagen. Die Harmonisierung mit den globalen Märkten trägt dazu bei, Wettbewerbsnachteile zu minimieren.
Ein zentraler Vorteil des T+1 Settlements ist die schnellere Kapitalverfügbarkeit. Gelder und Wertpapiere fließen früher, was die Flexibilität der Investoren erhöht, die Marktliquidität verbessert und die Gesamteffizienz des Finanzsystems steigert.
Zudem sinkt der Bedarf an Sicherheiten, da Preis- und Marktschwankungen während der Abwicklungsdauer weniger ins Gewicht fallen. Das erhöht die Stabilität der Märkte und ermöglicht eine effizientere Kapitalnutzung, insbesondere für institutionelle Investoren. Gleichzeitig wird das Gegenparteirisiko verringert, da die Zeitspanne, in der eine Vertragspartei ausfallen könnte, verkürzt wird.6
Auch die nachgelagerten Prozesse profitieren. Der zunehmende Einsatz digitaler und automatisierter Systeme reduziert Fehlerquoten, beschleunigt die Abwicklung und senkt die Kosten. Langfristig führt dies zu Kosteneinsparungen für Finanzinstitute und einer verbesserten Wettbewerbsfähigkeit europäischer Kapitalmärkte auf globaler Ebene.
Der Umstieg auf T+1 erfordert jedoch erhebliche Investitionen in die Modernisierung, Automatisierung und Harmonisierung der Prozesse. Dabei müssen bestehende Marktprozesse angepasst werden, was insbesondere für kleinere Institute ohne umfangreiche Ressourcen eine große Herausforderung darstellen kann. Ein Großteil dieser anfallenden Kosten wird jedoch nur kurzfristig spürbar sein. Die Investitionen sind notwendig, um langfristig die Leistungsfähigkeit der europäischen Finanzmärkte zu sichern und grenzüberschreitende Transaktionen effizienter zu gestalten.
Besonders betroffen von der Umstellung auf T+1 ist der Orderflow. Damit Handelsaufträge rechtzeitig abgeschlossen werden, müssen die Prozesse wie Annahme, Ausführung und Bestätigung innerhalb eines stark verkürzten Zeitrahmens erfolgen.
Der Zeitdruck steigt weiter, vor allem bei komplexen Transaktionen mit Währungsumrechnung oder der Beteiligung internationaler Akteure in unterschiedlichen Zeitzonen. Fehlerkorrekturen und Datenabgleiche müssen deutlich schneller abgewickelt werden als bisher.7
Um diesen Herausforderungen zu begegnen, ist eine optimierte Liquiditäts- und Prozessplanung unerlässlich, sowohl für Marktteilnehmer als auch für Broker und Händler.
Zur Förderung einer fristgerechten Abwicklung wurde am 1. Februar 2022 das Penalty-Regime gemäß CSDR eingeführt. Dabei werden Strafzahlungen (Penalties) fällig, wenn ein sogenannter Settlement Fail eintritt, also eine Transaktion, die nicht am vorgesehenen Abwicklungstag erfolgreich abgeschlossen wird.
Gründe hierfür sind häufig fehlerhafte Instruktionen oder das Nichtliefern von Wertpapieren. Strafzahlungen gelten zudem auch für zu spät gematchte Instruktionen (Late Matching Fail Penalties, LMFPs), die z. B. erst nach Annahmeschluss des Settlement-Tags eingereicht werden.8
Die Zentralverwahrer (CSDs) erkennen diese Fails und berechnen täglich automatisch die entsprechende Strafe (Penalty) gemäß der Delegierten Verordnung (EU) 2018/1229. Die Höhe der Geldbuße basiert dabei auf dem finanziellen Wert der Transaktion und der Dauer des Verzugs.
Seit der Einführung ist laut ESMA die Gesamtzahl der Strafen von ca. 130.000 Strafen pro Monat auf etwa 80.000 Strafen gesunken. Auch der Gesamtwert der gescheiterten Transaktionen ging von 6,6% auf 3,8% zurück.
Trotz dieser positiven Entwicklung zeigt sich, dass nach wie vor eine erhebliche Zahl an Finanzinstituten regelmäßig von CSDR-Strafzahlungen betroffen ist. Mit Blick auf die geplante Umstellung auf T+1 besteht die Gefahr, dass Fails und Strafzahlungen wieder ansteigen.9 Nur Institute, die frühzeitig in eine Optimierung ihrer Abwicklungsprozesse investieren, werden in der Lage sein, Penalties langfristig zu minimieren und ihre Wettbewerbsfähigkeit zu sichern.
Die Umstellung auf T+1 erfordert eine Modernisierung und Effizienzsteigerung der bestehenden Settlement-Systeme sowie Investitionen in Technologie und Infrastruktur. Ziel ist es, Transaktionen innerhalb des verkürzten Zeitrahmens sicher und fehlerfrei abzuwickeln.
Unser ganzheitlicher Beratungsansatz umfasst:
Mit unserem bewährten Vorgehensmodell und langjähriger Erfahrung unterstützen wir Sie dabei, Ihre Post-Trade-Prozesse nachhaltig zu optimieren, Effizienzpotenziale zu heben und Ihre Systeme zukunftssicher auf die T+1-Anforderungen auszurichten.
Quellenverzeichnis
Im Kampf gegen Geldwäsche und Terrorismusfinanzierung attestiert die BaFin der deutschen Finanzwirtschaft bei allem Fortschritt nach wie vor auch Defizite und Versäumnisse.1 Mit der rasanten Digitalisierung und der zunehmenden Verbreitung von Kryptowährungen und dezentral verwalteten Finanzprodukten (DeFi)2 eröffnen sich neue, grenzüberschreitende und oft anonyme Wege für illegale Finanzströme. Dieser rasant expandierende Trend erschwert Instituten und Aufsichtsbehörden die Eindämmung der Geldwäsche und der Terrorismusfinanzierung.
Auch in Deutschland sehen sich Finanzakteure mit immer komplexeren Anforderungen an Anti-Geldwäsche-Maßnahmen (anti-money laundering, AML) konfrontiert. Fälle wie der Danske-Bank-Skandal3 verdeutlichen, wie wichtig transparente Richtlinien für robuste Datensicherheit sowie leistungsstarke IT-Systeme im Bereich der Geldwäscheprävention sind, um verdächtige Transaktionen frühzeitig zu erkennen und effektiv zu bekämpfen. Die Herausforderung für viele Unternehmen besteht darin, diese Maßnahmen kontinuierlich an die dynamischen Bedrohungsszenarien und dem technologischen Fortschritt anzupassen. Somit stellt sich die Frage, wie AML-Strategien unternehmensintern effizient gestaltet und wie technische Innovationen dazu beitragen können, Finanzsysteme vor kriminellem Missbrauch zu schützen.
In Deutschland gelten für Finanzakteure zum einen EU-weite regulatorische Vorgaben wie die fünfte und sechste Geldwäscherichtlinie4, Markets in Crypto-Assets-Verordnung (MiCA)5 oder die Datenschutz-Grundverordnung (DSGVO)6, zum anderen ergänzende inländische Vorschriften wie das Geldwäschegesetz (GwG) oder das Gesetz zur Einführung elektronischer Wertpapiere (eWpG). Diese Regelwerke geben den Handlungsrahmen der Institute etwa bei der Kundenprüfung (customer cue ciligence, CDD) oder der Meldung verdächtiger Aktivitäten vor und stellen sicher, dass digitale Finanztechnologien im Einklang mit höchsten Sicherheits- und Datenschutzstandards genutzt werden.
Aufgrund der zunehmenden Bedrohung durch Finanzkriminalität hat der EU-Gesetzgeber mit der Gründung der Anti-Geldwäschebehörde Authority for Anti-Money-Laundering and Countering the Financing of Terrorism (AMLA) reagiert. Sitz der Behörde ist Frankfurt am Main, ab Juli 2025 soll sie sich ihren Kernaufgaben widmen:7 EU-weit einheitliche Umsetzung der AML-Vorschriften sowie direkte Aufsicht über riskante Finanzunternehmen.8 Ergänzend dazu tritt 2027 die EU-AML-Verordnung (AML-VO) in Kraft, die nationale Gesetze wie das GwG teilweise ersetzt und den Adressatenkreis erweitert.
Trotz der Einrichtung der AMLA wird in Deutschland die BaFin in der Geldwäscheprävention weiterhin eine Hauptrolle spielen. Sie prüft regelmäßig die Einhaltung der regulatorischen Vorgaben und ordnet bei Mängeln Sonderprüfungen an. Im Fokus stehen dabei die internen Sicherheitsmechanismen und die Compliance-Kultur der beaufsichtigten Institute, insbesondere die Aufgaben und Befugnisse der Geldwäschebeauftragten, um sicherzustellen, dass Überwachungssysteme auf spezifische Risiken abgestimmt sind9.
Mit der sorgsamen Einhaltung der AML-Vorschriften gewinnen Unternehmen nicht nur Rechtssicherheit, vermeiden Reputationsschäden und Sanktionen, sondern stärken auch das Vertrauen ihrer Kunden und Geschäftspartnern. Um von diesen Vorteilen zu profitieren sind jedoch zunächst erhebliche Herausforderungen zu bewältigen.
Manche Geschäftsmodelle und digitale Finanzinnovationen sind für Geldwäsche oder Terrorismusfinanzierung anfälliger als andere.10 Die Umsetzung der individuell geforderten Standards ist aufgrund der Komplexität internationaler und nationaler Vorschriften enorm kapitalintensiv. Speziell die Integration innovativer Technologien in bestehende Legacy IT-Systeme ist gleichermaßen risikoreich und erfordert ein effizientes Zusammenspiel zwischen Experten und Technik. Der Umsetzungsaufwand endet jedoch nicht mit der Implementierung, da sich die Methoden zur kriminellen Geldwäsche stetig weiterentwickeln. Zudem zieht die Prüfung verdächtiger Transaktionen und die Reaktion auf falsch-positive Befunde viel Handarbeit durch geschultes Personal nach sich, was den manuellen Prüfaufwand erhöht.
Um diesen Herausforderungen gerecht zu werden, müssen Finanzinstitute ihre Strategien und Technologien kontinuierlich anpassen und Vertrauen in innovative Lösungen stärken.
Um mit der Dynamik der Bedrohungslage Schritt zu halten, bietet die Automatisierung einzelne Prozesse durch Künstliche Intelligenz (KI) und Machine Learning (ML) eine zukunftsweisende Lösung, da sie Anpassungsfähigkeit und Kosteneffizienz verbinden.11 Fortschrittliche Netzwerkalgorithmen analysieren Transaktionen und Verhaltensmuster, um potenziell illegale Aktivitäten zu identifizieren.
In Deutschland werden KI und ML zunehmend als Kerntechnologien zur Optimierung von AML-Programmen eingesetzt. Maßnahmen zur Abwehr von Geldwäsche und Terrorismusfinanzierung lassen sich damit automatisieren, Lücken in der Einhaltung regulatorischer Vorgaben identifizieren und der Anteil falsch-positiver Befunde senken. Dank ihrer Flexibilität und Skalierbarkeit wachsen solche Lösungen mit den Datenmengen des digitalen Finanzmarktes mit. Im Speziellen bieten Blockchain-Technologien darüber hinaus Transparenz und Nachvollziehbarkeit von Transaktionen und erschweren so den Missbrauch durch Kriminelle.
Im Kampf gegen Geldwäsche und Terrorismusfinanzierung gibt der technologische Fortschritt enormes Potenzial. Moderne Überwachungs- und Analysesysteme helfen Finanzunternehmen, gesetzliche Vorgaben einzuhalten und das Vertrauen ihrer Kunden und Dienstleister zu stärken, indem sie Finanzströme lückenlos nachvollziehen und Verdachtsfälle frühzeitig ermitteln. In einer zunehmend vernetzten Welt, in der Sicherheit und Integrität mehr Risiken ausgesetzt sind als je zuvor, wird Technik, die Prozesse transparent und legitime Akteure agiler macht, zum entscheidenden Wettbewerbsfaktor.
Angesichts der stetigen Entwicklung von Finanztechnologienstehen Unternehmen unter Druck, ihre AML-Strategien kontinuierlich weiterzuentwickeln. Mit einer Kombination aus Expertenwissen, KI, Machine Learning und Blockchain ermitteln sie verdächtige Transaktionen schneller und präziser, vereinfachen und automatisieren aufwendige, komplexe Prozesse.
Hier kommen wir ins Spiel. Wir sind Ihre Experten für ganzheitliche Management- und IT-Beratung mit langjährige Projektpraxis im Finanzsektor, darunter technologische Innovationen wie das Aufspüren von Lücken in der Regulatorik-Compliance mit einer von Consileon entwickelten KI-Lösung, dem Regulatorik-Radar12. In der Systemmigration und der Integration technologischer Neuerungen in bestehende Legacy-Systeme bis hin zu maßgeschneiderten Schulungen – wir begleiten Sie ganzheitlich und effizient. Wir bieten Ihnen in allen Bereichen hochgradig individualisierbare Lösungen, die sich nahtlos in Ihre bestehenden Prozesse einfügen.
Steht in Ihrem Unternehmen ein Compliance-Projekt an? Dann freuen wir uns darauf, gemeinsam mit Ihnen in einer unverbindlichen Erstberatung den Handlungsbedarf zu klären, zu priorisieren und Ihnen zu zeigen, wie Sie regulatorische Risiken und Auflagen in Chancen verwandeln.
Quellenverzeichnis
In den vergangenen Jahren haben sich die Kapitalmärkte erheblich gewandelt, wodurch regionale Börsen in Deutschland gezwungen sind, ihre Geschäftsmodelle zu überdenken, um ihre Relevanz langfristig zu sichern. Können sie durch Innovationen und neue Angebote bestehen – oder ist ihr Überleben gefährdet? Dieser Artikel beleuchtet die aktuelle Situation, Wettbewerbsvorteile, modernisierte Plattformen sowie die internationale Ausrichtung regionaler Börsen.
Regionale Börsen wie Stuttgart, München und Hamburg spielen traditionell eine wichtige Rolle als Plattform für die Notierung und den Handel von Wertpapieren kleiner und mittelständischer Unternehmen. Diese Börsen bieten häufig spezialisierte Märkte, die auf die Bedürfnisse dieser Firmen zugeschnitten sind. Beispielsweise zeichnen sich die Börsen in München und Stuttgart durch innovative Plattformen aus.
Dennoch ist ihr Einfluss im Vergleich zu großen Handelsplätzen begrenzt. Der Gesamtmarktanteil wird weitgehend von den elektronischen Börsen wie Xetra oder Tradegate Exchange dominiert, was zu einem erhöhten Wettbewerbsdruck führt. Um diesen Herausforderungen standzuhalten, müssen sich die Regionalbörsen stärker auf spezialisierte Angebote, innovative Strategien und Nischenmärkte konzentrieren. Zudem stehen sie vor der Herausforderung, trotz ihrer begrenzten Größe mit den zunehmend komplexen regulatorischen Anforderungen Schritt zu halten.
Obwohl die großen, internationalen Börsen den Großteil des Marktes ausmachen, bieten regionale Börsen spezifische Vorteile, die sich von denen der größeren Akteure unterscheiden. Ein wesentlicher Wettbewerbsvorteil der regionalen Börsen besteht in ihrer Nähe zu bestimmten Märkten und ihrer Flexibilität bei der Einführung neuer Handelsinstrumente. Die Börse Hamburg und die Börse Hannover bieten beispielsweise attraktive Bedingungen für den Handel mit geschlossenen Fonds, was sie schon seit langer Zeit zu beliebten Handelsplätzen für Nischenprodukte macht. 1
Ein weiterer Vorteil liegt in der Expertise und den Handelsangeboten, die sich an lokale und nationale Anleger richten. Die Regionalbörsen können hier mit ihrem kundenspezifischen Ansatz punkten und profitieren von ihrer Nähe zu spezifischen Investorengruppen. Für Anleger, die weniger an den internationalen Märkten interessiert sind und sich auf spezialisierte deutsche Produkte konzentrieren, bieten sie eine attraktive Alternative und häufig den ersten Anlaufpunkt. 2
Die aufstrebenden Neobroker wie Trade Republic und Scalable Capital haben den Markt verändert. Mit kostengünstigen, benutzerfreundlichen Plattformen erhöhen sie den Wettbewerbsdruck auf traditionelle Börsen. Doch zugleich eröffnen sie Chancen: Viele Neobroker wickeln ihre Geschäfte über Plattformen wie Gettex oder LS Exchange ab. Diese erhöhte Handelsaktivität durch Kleinanleger stärkt die Position regionaler Börsen und ermöglicht ihnen, von der Digitalisierung zu profitieren.
Die regionalen Börsen haben den Handlungsdruck erkannt und mobilisieren vermehrt Ressourcen, um Maßnahmen zu ergreifen, die ihre Vorteile gegenüber den großen Börsen monetarisieren. Um wettbewerbsfähig zu bleiben, setzen regionale Börsen immer mehr auf digitale Innovationen und moderne Plattformen. Ein Beispiel hierfür ist die verstärkte Nutzung von Blockchain-Technologie, die an der Börse Stuttgart Anwendung findet, um den Handel mit Kryptowährungen sicher und transparent zu gestalten. 3 Darüber hinaus investiert die Börse München über ihre Plattform Gettex stark in automatisierte Handelslösungen, die besonders auf die Bedürfnisse von Privatanlegern zugeschnitten sind. 4 Auch die Einführung elektronischer Handelsplattformen wie Quotrix 5 bei der Börse Düsseldorf und weitere technologiegestützte Modelle zeigen, wie die Regionalbörsen auf digitale Transformation setzen.
Zusätzlich zur Blockchain-Technologie wird auch der Einsatz von künstlicher Intelligenz in verschiedenen Bereichen erforscht, wie bei der Verbesserung der Handelsausführung und zur Optimierung von Analysewerkzeugen. Moderne Handelsplattformen bieten integrierte Analyse- und Automatisierungsfunktionen, die gerade Privatanlegern den Zugang zu komplexeren Anlagestrategien ermöglichen. 6
Alle drei Beispiele sind vielversprechende Projekte von einzelnen Börsen, die den Weg weisen, wie regionale Börsen auch in Zukunft wettbewerbsfähig bleiben können. Nun gilt es für andere Börsen, sich ein Beispiel zu nehmen und nachzuziehen.
Ein zentraler Baustein für den Erfolg regionaler Börsen ist ihre internationale Ausrichtung. Kooperationen mit globalen Verwahrstellen und die Einführung grenzüberschreitender Produkte erweitern das Angebot für deutsche Kunden und ziehen internationale Investoren an. So können die Börsen ihre Marktpräsenz stärken.
Ein Beispiel ist die Börse Stuttgart, die mit dem Amundi S&P 500 ESG ETF den Zugang zu einem nachhaltigen, globalen Index ermöglicht. Solche Produkte verbinden internationale Märkte mit lokalen Anlegerbedürfnissen und stärken die Position regionaler Börsen im globalen Wettbewerb. Gleichzeitig unterstreichen sie die Bedeutung nachhaltiger Finanzinstrumente, die immer mehr Investoren anziehen.
Regionale Börsen in Deutschland müssen ihre Geschäftsmodelle konsequent modernisieren, um national wie international relevant zu bleiben. Ihre Stärken – Nischenmärkte, Nähe zu lokalen Unternehmen und spezialisierte Angebote – sind weiterhin ein entscheidender Wettbewerbsvorteil. Ohne technologische Innovation und eine stärkere internationale Ausrichtung riskieren sie jedoch, an Bedeutung zu verlieren. Die nächsten Jahre werden zeigen, wie erfolgreich sie den Wandel gestalten.
Consileons umfangreiche Erfahrung in strategischen Beratungsprojekten zeigt sich in der erfolgreichen Umsetzung zahlreicher Initiativen für unsere Kunden.
Ein Beispiel unserer Arbeit ist die strategische Analyse von Post-Trade-Optionen für eine regionale Börse bei der Einführung neuer Produkte. In Workshops mit Fachabteilungen und dem Vorstand wurden Abwicklungsstrategien identifiziert und hinsichtlich Machbarkeit, Kosten und Flexibilität bewertet. Ergänzend analysierten wir Preismodelle und entwickelten fundierte Empfehlungen zur Optimierung der Abwicklungsprozesse.
In einem weiteren Projekt begleiteten wir ein Unternehmen bei der Neuausrichtung seiner strategischen Zielsetzungen. Wir analysierten Erfolgsfaktoren in den Bereichen Unternehmen, Markt und Technologie und entwickelten darauf aufbauend klare Handlungsempfehlungen.
Auch im Bereich digitaler Innovationen haben wir wegweisende Projekte begleitet. Für eine digitale Post-Trade-Plattform gemäß eWpG unterstützten wir die Transformation von Prozessen und IT-Landschaft, das Onboarding von Pilotkunden und die Konzeption eines verteilten Netzwerks.
Suchen Sie einen vertrauensvollen Partner mit Kapitalmarkt-Expertise für Ihr strategisches Vorhaben? Dann sprechen Sie uns gerne an.
Quellenverzeichnis
