In den kommenden Jahren werden in Banken, Sparkassen und Versicherungen so viele erfahrene Mitarbeitende pensioniert wie nie zuvor. Mit ihnen verlässt auch Wissen das Unternehmen, das nirgendwo aufgeschrieben ist. Künstliche Intelligenz (KI) verspricht, genau dieses Wissen zu sichern. Manches davon ist bereits Realität, anderes bleibt vorerst nur ein Versprechen.
Eine Studie von Robert Half und Protiviti unter 245 Führungskräften deutscher Banken und Versicherungen zeigt, wie ernst die Lage bereits eingeschätzt wird. 54.3 Prozent der Befragten stufen den demografischen Wandel als wichtigsten Einflussfaktor auf ihre Personalstrategie bis 2030 ein. 42.1 Prozent rechnen damit, dass bis dahin zwischen 10 und 20 Prozent ihrer Stellen dauerhaft unbesetzt bleiben.
Wie konkret sich das anfühlen kann, zeigt ein Beispiel aus dem Sparkassensektor. Sparkassenpräsident Ulrich Reuter erklärte im Januar 2026 gegenüber der Nachrichtenagentur Bloomberg, dass von den rund 195'000 Beschäftigten der Sparkassen in den kommenden zehn Jahren etwa 120'000 in Pension gehen dürften. Aktuell lasse sich das noch über Neueinstellungen ausgleichen. Schwierig werde es bei spezialisierten Aufgaben: «Je spezialisierter die Aufgabe, desto schwieriger wird es, geeignete Kandidaten zu finden», so Reuter.
Das Muster lässt sich auch international beobachten. In vielen Finanzinstituten laufen zentrale Anwendungen weiterhin auf jahrzehntealten COBOL-basierten Systemen. Die über 60 Jahre alte Programmiersprache verarbeitet nach Recherchen von Reuters weiterhin einen Grossteil der Bankgeschäfte in den USA, und die Zahl der Menschen, die diese Systeme warten können, sinkt auch dort kontinuierlich.
Warum Dokumentation und Mentoring beim Wissenstransfer nicht ausreichen
Wissen kann grob in zwei Formen unterteilt werden. Explizites Wissen lässt sich leicht in Worte fassen und dokumentieren: Fakten, Regeln, Prozessbeschreibungen, Zahlen. Es steht in Handbüchern, Wikis oder Datenbanken und lässt sich unabhängig von der Person weitergeben, die es ursprünglich hatte.
Ein Grossteil dessen, was erfahrene Mitarbeitende tatsächlich wissen, gehört jedoch einer zweiten Kategorie an: implizitem oder stillem Wissen. Dazu zählen Erfahrungsmuster, Daumenregeln und ein Gespür für Ausnahmefälle, die sich über Jahre entwickeln und selten in Handbüchern stehen. Wer dieses Wissen besitzt, hält es oft selbst nicht für etwas Besonderes, weil es sich wie gesunder Menschenverstand anfühlt, dabei ist es das Ergebnis jahrelanger Praxis. Genau dieses Wissen entscheidet häufig darüber, wie ein komplexer Sonderfall bearbeitet oder eine Ausnahme im System richtig eingeordnet wird.
Die klassischen Instrumente des Wissensmanagements adressieren dieses Problem nur teilweise. Wissensdatenbanken und Dokumentationen sichern explizites Wissen gut, implizites Wissen lässt sich damit kaum erfassen. Mentorenprogramme und Hospitationen übertragen implizites Wissen persönlich, sind aber aufwendig und hängen stark von einzelnen Personen ab. Aus diesem Grund rückt in Fachkreisen eine dritte Möglichkeit in den Fokus: Systeme, die auf KI basieren.
Was KI-gestütztes Wissensmanagement tatsächlich leistet
Ein Beitrag von zwei Accenture-Führungskräften in der California Management Review der University of California, Berkeley, beschreibt zentrale Bausteine, mit denen Unternehmen implizites Wissen für KI-Systeme nutzbar machen. Zunächst wird sichtbar gemacht, wo kritisches Wissen tatsächlich sitzt, etwa durch die Analyse, wen Kolleg:innen informell am häufigsten um Rat fragen. Anschliessend wird dieses Wissen in sogenannten Wissensgrafen abgebildet, Strukturen, die nicht nur Dokumente ablegen, sondern auch Zusammenhänge, Ausnahmen und Kontext festhalten. Entscheidend ist der letzte Baustein: Trifft das System auf einen Fall, den es nicht sicher einordnen kann, geht dieser an eine Fachperson. Deren Entscheidung fliesst zurück in das System und hält es aktuell.
Dieses Prinzip lässt sich in der Finanzbranche bereits beobachten. Morgan Stanley hat gemeinsam mit OpenAI ein internes System namens AI @ Morgan Stanley Assistant aufgebaut. Es nutzt GPT-4, um rund 100'000 hausinterne Research-Dokumente und Analystenwissen durchsuchbar zu machen, Wissen, das über Jahrzehnte im Unternehmen entstanden ist. Laut der gemeinsamen Fallstudie von OpenAI und Morgan Stanley nutzen inzwischen über 98 Prozent der Beratungsteams das System täglich. Der Zugriff auf relevante Dokumente stieg von 20 auf 80 Prozent.
Jeff McMillan, Head of Firmwide AI bei Morgan Stanley, beschreibt den Effekt so: «Diese Technologie macht einen so kompetent wie die kompetenteste Person im Unternehmen.» Vorher beantwortete das System rund 7'000 vordefinierte Fragen, heute praktisch jede Frage aus dem gesamten Dokumentenkorpus, wie David Wu, Head of Firmwide AI Product & Architecture Strategy bei Morgan Stanley, berichtet.
COBOL und Legacy-Systeme: Auch Altsysteme können von KI profitieren
Ein zweites Anwendungsfeld betrifft die technische Seite: Legacy-Systeme wie COBOL-basierte Kernbankanwendungen. Nach Einschätzung von Branchenbeobachter:innen kann generative KI historisch gewachsenen Programmcode lesen, dokumentieren und in verständliche, moderne Sprache übersetzen.
Damit wird ein Teil des Wissens zugänglich, das bislang nur wenige Spezialist:innen besassen, die genau verstehen, warum eine Anwendung an bestimmten Stellen so und nicht anders funktioniert. Für Institute, die noch Jahre im Parallelbetrieb zwischen alten und neuen Systemen verbringen, ist das ein praktischer Ansatzpunkt.
Die Grenzen von KI im Wissensmanagement
Nicht jede Zahl aus diesem Marktumfeld hält einer genauen Prüfung stand. Zahlreiche Anbieter von Wissensmanagement-Software werben mit beeindruckenden Erfolgsgeschichten, die sich häufig nicht unabhängig nachprüfen lassen. Belastbarer sind Fälle wie der von Morgan Stanley, bei denen namentlich genannte Führungskräfte eines regulierten, grossen Finanzinstituts öffentlich Rechenschaft über Ergebnisse ablegen, oder unabhängige Forschung wie der Beitrag der California Management Review.
Wichtig ist zudem: KI-gestütztes Wissensmanagement ersetzt weder Mentoring noch Dokumentation, sondern ergänzt beides. Die Accenture-Autor:innen betonen ausdrücklich, dass Führungskräfte KI als Partnerin der menschlichen Urteilskraft positionieren sollten, nicht als deren Ersatz. Ohne die Rückmeldungen erfahrener Mitarbeitender bleibt jedes System nur so gut wie sein letzter Trainingsstand.
Die nächsten Schritte für Banken, Sparkassen und Versicherungen
Der Generationswechsel wird nicht plötzlich eintreten, er ist bereits terminiert. Institute, die jetzt beginnen, das Wissen ihrer erfahrenen Mitarbeitenden systematisch zu erfassen, statt erst zu reagieren, wenn die Lücke entstanden ist, verschaffen sich einen Vorlauf, den sie sonst später nicht mehr aufholen könnten. Drei Schritte sind dabei ein realistischer Anfang:
- Kritisches Wissen kartieren, bevor die Lücke entsteht: Wer trägt Spezialwissen, das nirgendwo dokumentiert ist?
- Mit einem klar abgegrenzten Anwendungsfall beginnen, statt sofort das gesamte Unternehmen abzudecken.
- Fachexpert:innen von Anfang an einbinden, damit das System lernfähig bleibt, statt nach der Einführung zu veralten.
Wer diese Schritte jetzt geht, sichert nicht nur Wissen. Er verschafft sich Zeit, die im Generationswechsel zur knappsten Ressource wird.
Quellen
Robert Half: Fachkräfte vs. Fähigkeiten: Woran es der Finanzbranche wirklich mangelt (Studie „Future Workforce 2030“ mit Protiviti, 20.02.2025, aktualisiert 11.04.2025).
FONDS professionell: „Wir raten davon ab“: Sparkassenpräsident zu Kryptos für die Rente (15.01.2026, Bloomberg-Interview mit Ulrich Reuter).
CAST Software: Why COBOL Still Dominates Banking – and How to Modernize (16.05.2024).
Teresa Tung, Philippe Roussiere: Tacit Knowledge Is Your Next Competitive Moat, California Management Review Insights, UC Berkeley Haas (16.03.2026).
OpenAI: Morgan Stanley uses AI evals to shape the future of financial services (Fallstudie mit Morgan Stanley).
AInvest: Banks Face Looming COBOL Talent Gap – Mainframe Modernization Is No Longer Optional (13.04.2026).