Was Marketingfachleute im Finanzdienstleistungssektor über KI lernen – und was sie überrascht

Es gibt eine Variante der KI-Diskussion im Finanzdienstleistungssektor, die ungefähr so ​​abläuft: Die Führungsebene verschickt ein Memo, ein Tool wird genehmigt, jemand bucht eine Schulung, und sechs Monate später hat sich im Grunde nichts geändert. Die Produktivitätssteigerungen sind ausgeblieben. Die Begeisterung ist verflogen. Und das Team nutzt ChatGPT heimlich für E-Mails und tut so, als ob es das nicht täte.

Wir haben diese Geschichte schon so oft gehört, dass wir beschlossen haben, etwas dagegen zu unternehmen.

Anfang des Jahres haben wir den ersten Kurs der Opal University für Finanzdienstleistungen durchgeführt, ein fünftägiges Live-Programm speziell für Führungskräfte im Marketing und Digitalbereich, die in einer der compliance-bewusstesten Branchen der Welt arbeiten. Fünfzig Plätze. Eine Stunde Live-Training, gefolgt von einer Stunde praktischem Agentenaufbau, täglich über eine Woche. Eine globale Gruppe – Teilnehmer aus den USA, Großbritannien und Europa arbeiteten gemeinsam an denselben Herausforderungen. Das Ziel war nicht, den Teilnehmern zu erklären, was KI ist. Es ging darum, sie zu befähigen, Dinge zu entwickeln, die innerhalb ihrer tatsächlichen Arbeitsumgebung funktionieren. Die Ergebnisse dieser fünf Sitzungen waren interessanter als erwartet. Nicht etwa, weil die Teilnehmer Außergewöhnliches leisteten – obwohl einige dies taten –, sondern aufgrund der Muster, die sich in der Gruppe herauskristallisierten. Dieselben Spannungen, dieselben Hindernisse, dieselben Durchbrüche traten immer wieder auf, unabhängig von der Größe der Institution, dem Standort oder der Position. Dieser Beitrag ist der Versuch, diese Muster ehrlich zu benennen. Nicht als Werbemaßnahme für neue Mitarbeiter und nicht als Produktpräsentation. Als Zusammenfassung dessen, was wir von den Anwesenden tatsächlich gehört haben.

Muster 1: Die Vertrauenslücke – der Wunsch nach Veränderung, das Warten auf die Genehmigung, das die Bewegung immer weiter verzögert

Fast alle Teilnehmenden brachten eine ähnliche Anspannung mit sich. Sie wollten KI stärker einsetzen. Sie erkannten die Vorteile. Doch ihre Organisation arbeitete noch am Aufbau des Governance-Rahmenwerks, entschied noch, was zulässig war, und wartete noch auf die Zustimmung der Rechts- und Compliance-Abteilung – egal zu welchem ​​Projekt.

Ein Teilnehmer, ein leitender Operationsmanager einer großen US-Bank, beschrieb das erste KI-Governance-Meeting seiner Organisation mit einer Klarheit, die alle Anwesenden nachvollziehen konnten:

Ein anderer, von einer US-amerikanischen Kreditgenossenschaft, drückte es noch deutlicher aus:

Was auffiel, war nicht der Konservatismus – der ist im Finanzdienstleistungssektor zu erwarten und ehrlich gesagt auch angebracht. Auffällig war vielmehr, wie isoliert sich die Menschen dabei fühlten. Der LinkedIn-Algorithmus hatte zwei Jahre lang allen eingeredet, die KI-Revolution sei bereits abgeschlossen, die Gewinner stünden fest und wer nicht 64 Agenten einsetze, sei abgehängt. Die Gruppe wirkte korrigierend. Die Teilnehmer erkannten, dass die Person, die metaphorisch neben ihnen saß – bei einer anderen Bank, einer anderen Kreditgenossenschaft, einem anderen Vermögensverwalter –, sich im selben Governance-Labyrinth zurechtfand. Niemand war so weit zurück, wie er dachte. Wie sich herausstellte, lag die Vertrauenslücke nicht wirklich an den Fähigkeiten, sondern am Kontext. Als alle verstanden, dass sie sich im selben Stadium befanden, legte sich die Anspannung und der Aufbau begann.

Die wichtigste praktische Erkenntnis: Hören Sie auf, auf die Genehmigung zur Automatisierung zu warten, und beginnen Sie, Dinge zu entwickeln, die diese nicht benötigen. Persönliche Fähigkeiten, private Agenten, Tools, die Ihre eigene Leistung verbessern, ohne auf gemeinsam genutzte Daten zuzugreifen oder gegen Compliance-Vorgaben zu verstoßen. Die Erfolge waren anfangs klein. Aber sie waren real, und reale Erfolge sind, wie sich herausstellte, die Währung, die Sie brauchen, um das Gespräch mit denjenigen zu verändern, die die Entscheidungsgewalt haben.

Muster 2: Das 80%-Problem – KI bringt Sie schnell ans Ziel, die letzten 15 % müssen Sie selbst erledigen.

Alle Teilnehmenden, die bereits vor ihrer Teilnahme mit KI gearbeitet hatten, kannten das 80%-Problem, auch wenn ihnen der Begriff dafür nicht geläufig war. Sie hatten ein Tool gebeten, etwas zu schreiben, einen Bericht zu erstellen oder ein Briefing zu entwerfen, und das Ergebnis war … in Ordnung. Kompetent. Technisch korrekt. Und völlig frei von Urteilsvermögen, Nuancen und institutionellem Wissen, die es tatsächlich nützlich gemacht hätten.

Die Gruppe zeigte auf, dass ein Großteil des Problems im vorgelagerten Prozess liegt, nicht im Ergebnis selbst.

Der häufigste Fehler war nicht schlechte KI, sondern unzureichend vorbereitete KI.

Teilnehmer, die ihren Agenten nur wenig Kontext lieferten, erzielten nur mittelmäßige Ergebnisse. Teilnehmer, die Zeit investierten und frühere Arbeiten – echte Berichte, Beispiele und Dokumente mit authentischem Sprachstil – einfließen ließen, erhielten Ergebnisse, die ihren eigenen Leistungen sehr nahe kamen. Die Qualität der Texte war der Flaschenhals. Das war schon immer so; die KI hat die Lücke lediglich sichtbar gemacht.

Die schwierigere Diskussion drehte sich darum, was passiert, wenn das Ergebnis bei 80 % liegt, also zwar gut genug aussieht, um versendet zu werden, aber noch nicht ganz perfekt ist. Mehrere Teilnehmer gaben zu, dass ihre Organisationen bereits einen gescheiterten KI-Pilotversuch erlebt hatten, meist weil jemand ein Tool eingeführt hatte, die Mitarbeiter es zur Erstellung von E-Mails oder Berichten nutzten und die Ergebnisse ohne ausreichende menschliche Überprüfung weitergegeben wurden. Die Qualität war mittelmäßig. Das fiel auf. Das Vertrauen schwand.

Paradoxerweise ist menschliches Fachwissen besonders wichtig, wenn man von 80 % auf 95 % kommt. Nicht in der Generierungsphase, sondern in der Iterationsphase. Zu erkennen, wann das Ergebnis fehlerhaft ist. Zu wissen, warum es fehlerhaft ist. Zu wissen, welcher Teil des Briefings geändert werden muss, um es zu beheben. Dies sind Beurteilungen, die Fachwissen voraussetzen, und genau dieses Fachwissen verfügen erfahrene Marketingfachleute im Finanzdienstleistungssektor in Hülle und Fülle.

Die Teilnehmer, die im Laufe der Woche die größten Fortschritte erzielten, waren diejenigen, die ihre Aufgabe neu definierten. Nicht „Kann ich KI das erledigen lassen?“, sondern „Was braucht KI von mir, um das gut zu machen?“ Ersteres behandelt KI wie einen Warenautomaten. Letzteres betrachtet es als einen sehr leistungsfähigen, aber kontextblinden Kollaborateur, was derzeit der Realität viel näher kommt.

Muster 3: Klein anfangen, groß gewinnen – Konkretes schlägt Ambitioniertes immer

Am ersten Tag wurden die Teilnehmer gebeten, darüber nachzudenken, was sie entwickeln wollten. Der erste Impuls war fast ausnahmslos, groß zu denken. Ein durchgängiger Workflow für die Content-Produktion. Ein System zur Wettbewerbsanalyse, das 30 Wettbewerber abdeckt. Ein vollständiger Agenten-Stack, der alles von der Recherche über die Veröffentlichung bis hin zum Reporting automatisch und nach Zeitplan erledigt.

Am dritten Tag hatten die Teilnehmer, die die größten Fortschritte erzielten, die große Idee zugunsten einer erstaunlich spezifischen Lösung aufgegeben. Eine Einzelperson in der Marketingabteilung einer Londoner Unternehmensberatung – zuständig für Inhalte zu Vermögensverwaltung, Asset Management und Investmentbanking ohne unterstützendes Team – versuchte nicht, ihre gesamte Content-Produktion zu automatisieren. Sie entwickelte drei Recherche-Agenten, einen pro Zielgruppe, die relevante Themen lieferten, aus denen sie dann auswählen konnte. Spezifisch, überschaubar, nützlich vom ersten Tag an. Eine Leiterin der Produkt- und Sortimentsplanung eines britischen Geschenkartikelunternehmens versuchte nicht, die gesamte Wettbewerbsbeobachtung zu automatisieren. Sie entwickelte einen Agenten, der wöchentlich die Anzahl der Artikelnummern und die Preisentwicklung eines bestimmten Wettbewerbers nach Kategorie verfolgte. Dieser Agent – ​​noch im Testmodus, nicht vollständig fertiggestellt – brachte etwas ans Licht, das ihrem gesamten Team entgangen war.

Ein Digitalchef, der ein CMS mit zwei Jahren undokumentierter Entwicklung übernahm, versuchte nicht, ein Dokumentationssystem zu erstellen. Er entwickelte einen Agenten, der Sprint-Notizen erfasste und in lesbare Redaktionsleitfäden umwandelte. Eine Eingabe, eine Ausgabe, wiederholbar.

Das Muster wiederholte sich bei allen Teilnehmern, die einen echten Erfolg verzeichnen konnten: Sie hatten mit etwas Kleinem begonnen, das sich an einem Tag testen ließ, spezifisch genug, um die Funktionsfähigkeit festzustellen, und schmerzhaft genug, dass ihnen die Behebung des Problems wirklich am Herzen lag. Der Ehrgeiz war nicht falsch, er musste nur später folgen, nachdem das Fundament solide war. Die Teilnehmer, die Schwierigkeiten hatten, waren fast ausnahmslos diejenigen, die versuchten, das gesamte System auf einmal aufzubauen. Nicht etwa, weil das System unmöglich war – das war es nicht –, sondern weil man, wenn etwas schiefging (und irgendetwas ging immer schief), nicht feststellen konnte, welches Teil defekt war.

Muster 4: Der unerwartete Gewinn – Agenten entdecken Probleme, die Menschen übersehen haben

Diese Erkenntnis überraschte uns am meisten und sorgte für die größte Begeisterung im Raum.

Mehrere Teilnehmer stellten fest, dass ihre Agenten nicht nur die ihnen zugewiesene Aufgabe erfüllten. Sie förderten Informationen zutage, nach denen kein Mensch gesucht oder die er schlichtweg nie gefunden hatte.

Das deutlichste Beispiel lieferte ein Leiter der Produktsortimentsplanung, der einen Agenten zum Vergleich von Konkurrenzprodukten primär zur Preisverfolgung entwickelt hatte. Die Agentin – noch in der Entwicklungsphase, noch bevor sie das System fertiggestellt hatte – wies darauf hin, dass das meistverkaufte Produkt ihres Unternehmens im Vergleich zum Hauptkonkurrenten eine erhebliche Verfügbarkeitslücke aufwies. Eine Buchungsbeschränkung verhinderte, dass Kunden am beliebtesten Einkaufstag der Woche einen Kauf abschließen konnten. In einem Unternehmen mit einem beträchtlichen Jahresumsatz war dies bisher unbemerkt geblieben.

Ein ähnliches Muster zeigte sich bei einer Content-Strategin, die einen Agenten bat, aktuelle Themenmöglichkeiten für einen unterbesetzten Bereich der Website ihres Unternehmens zu identifizieren. Der Agent präsentierte drei Ideen. Alle drei wurden von internen Stakeholdern als nicht nur relevant, sondern auch äußerst nützlich bestätigt – eine davon bildete sogar die Grundlage für eine Diskussion darüber, ob eine teure Videoproduktion, die für die nächsten sechs Monate geplant war, tatsächlich sinnvoll sei. Der unerwartete Nutzen liegt nicht darin, dass KI intelligenter ist als Menschen. Es geht um Aufmerksamkeit. Menschen haben begrenzte Kapazitäten. Wir setzen Prioritäten. Wir haben Besprechungsagenden, Sprint-Deadlines und Dinge, die dringender sind als das, was wir eigentlich überprüfen sollten. Agenten haben dieses Problem nicht. Ein Agent kann so eingestellt werden, dass er wöchentlich 50 Seiten von Mitbewerbern analysiert und Veränderungen zuverlässig erkennt – ohne Ermüdung und ohne die ständigen Ablenkungen, die Menschen dazu verleiten, vermeintliche Wartungsarbeiten zu vernachlässigen. Für Finanzdienstleistungsunternehmen, bei denen die Kosten für das Verpassen regulatorischer Änderungen, Wettbewerbsmaßnahmen oder Marktveränderungen erheblich sein können, ist dies eine wichtige Funktion. Was wir noch herausfinden müssen Es wäre unehrlich, dies nur mit den Erfolgen abzuschließen. Die Gruppe hat echte Lücken aufgezeigt – Probleme, für die wir noch keine zufriedenstellenden Lösungen haben. Die manuelle Überprüfung Sie können einen Agenten entwickeln, der Compliance-Inhalte vorab prüft, bevor sie die Rechtsabteilung erreichen. Was Sie jedoch – zumindest noch – nicht ändern können, ist die Tatsache, dass die Rechtsabteilung sie weiterhin prüfen muss. Der Agent spart Ihnen Zeit im Prozess. Er ändert nichts an den nachgelagerten Anforderungen. Für Organisationen, in denen der Engpass der Rechtsprüfung die größte Einschränkung darstellt, ist dies eine bedeutsame Einschränkung.

Governance-Frameworks im Wandel. Einige Teilnehmer arbeiteten mit echter Unsicherheit, da die KI-Richtlinie ihrer Organisation noch in Arbeit war. Das ist kein technologisches Problem. Es bedeutet aber, dass alles, was sie jetzt entwickeln, möglicherweise nach Inkrafttreten der Richtlinie überarbeitet oder angepasst werden muss.

Alles vernetzen. Die Vision – Daten fließen automatisch, Agenten laufen, Erkenntnisse werden gewonnen – ist real und rückt näher. Die aktuelle Realität beinhaltet noch immer einiges an Copy-Paste und manuelle Schritte, insbesondere bei Plattformen und Datenquellen ohne native Konnektoren. Für Teilnehmer, die einen vollständig automatisierten Reporting-Workflow anstrebten, war dies mitunter eine enttäuschende Einschränkung.

Das sind keine Gründe, nicht anzufangen. Aber sie verdeutlichen, wie „KI im Marketing für Finanzdienstleistungen“ aktuell aussieht und wie sie in 18 Monaten aussehen wird.

Hinweis zur Zielgruppe

Die Opal University für Finanzdienstleistungen dauert fünf Tage und bietet 50 Plätze pro Kohorte. Die Teilnahme ist auf Branchenangehörige beschränkt. Die bewusst gewählte Mischung – verschiedene Institutionen, verschiedene Märkte, verschiedene Teamgrößen, alle im gleichen regulatorischen Umfeld – trägt wesentlich zum Erfolg bei. Die Teilnehmer können offen über ihre jeweiligen Rahmenbedingungen sprechen, ohne die Grundlagen erklären zu müssen. Sie können ihre Erfahrungen austauschen, ohne sich Sorgen um die Preisgabe von Wettbewerbsinformationen machen zu müssen. Jede Gruppe bildet eine Community. Mehrere Teilnehmer dieser Gruppe teilten im Laufe der Woche und darüber hinaus Aufgaben, verglichen die Ergebnisse ihrer Agenten und tauschten Ideen aus. Eine Teilnehmerin brachte es treffend auf den Punkt, als sie ihrem Team die Ausgabe eines von ihr entwickelten Agenten präsentierte:

Wenn Sie als Führungskraft im Marketing oder Digitalbereich der Finanzdienstleistungsbranche eines der oben genannten Muster wiedererkennen – die Unsicherheit in der Unternehmensführung, die Qualitätslücke, das Gefühl, dass zwar Ambitionen vorhanden sind, aber kein konkreter Fahrplan –, dann ist genau das Richtige für Sie der nächste Kurs. Wir wollen Ihnen nicht weismachen, dass KI einfach ist. Wir helfen Ihnen vielmehr dabei, das eine Projekt zu finden, das es wert ist, zuerst entwickelt zu werden. Die Opal University for Financial Services ist ein interaktives, gruppenbasiertes Programm mit begrenzten Plätzen pro Kurs. Jede Sitzung richtet sich an erfahrene Praktiker, nicht an Anfänger – und die praktische Arbeit findet während der Sitzungen statt, nicht nur in der Theorie.

Melden Sie sich hier an, wenn Sie an der nächsten Sitzung teilnehmen möchten!