Kundinnen und Kunden erwarten inzwischen, dass Service wie ein Gespräch funktioniert: das Problem in eigenen Worten schildern und es gelöst bekommen. Tools wie ChatGPT und Gemini haben diese Messlatte gesetzt, und die meisten Contact Center bleiben darunter. Die naheliegende Lösung lautet, KI hinzuzufügen – doch die NANDA-Initiative des MIT stellte fest, dass rund 95 Prozent der generativen KI-Pilotprojekte in Unternehmen nie einen messbaren Nutzen erreichen. Die eigentliche Frage ist deshalb nicht, ob man KI in den Kundenservice bringt. Sie lautet, warum so viele Versuche steckenbleiben – und was die wenigen erfolgreichen anders machen. Am schärfsten stellt sich diese Herausforderung in regulierten Branchen. Genau deshalb ist der Aufbau eines KI-Contact-Centers für Finanzdienstleister eine der anspruchsvollsten – und lehrreichsten – Varianten dieses Problems.
Das war die Frage hinter einer Live-Session, die ich gemeinsam mit Tyler Pichach, der bei Microsoft die Strategie für Banking und Payments verantwortet, und Tom Arbuthnot, einem unabhängigen Microsoft-Teams-Spezialisten, Microsoft MVP und Mitgründer von Empowering.Cloud, durchgeführt habe. Wir haben das Webinar für CX-Verantwortliche im Finanzsektor konzipiert, denn dort ist der Einsatz am höchsten: regulierte Beratung, Betrug, Compliance-Pflichten und Kundinnen und Kunden, die am Telefon das Serviceniveau einer Privatbank erwarten. Vieles davon gilt jedoch weit über Banken und Versicherungen hinaus. Hier ist, was aus dem Gespräch entstanden ist – und was ich immer wieder von CX-Verantwortlichen in Grossbritannien, den Benelux-Ländern und Nordamerika höre.
Um ehrlich mit Ihnen zu sein: Ich arbeite für Luware, und Luware Nimbus ist unsere Plattform, die genau dafür gebaut ist. Ich komme gleich dazu, wie sie funktioniert – aber das Argument steht und fällt nicht mit uns. Die Gründe, warum KI-Projekte gelingen oder steckenbleiben, sind weitgehend dieselben, ganz gleich, bei wem Sie kaufen. Und es lohnt sich, sie unabhängig davon zu verstehen.
Die meisten KI-Pilotprojekte scheitern an der Skalierung, weil die Technologie auf bereits dysfunktionale Workflows aufgesetzt wird – nicht, weil die Modelle selbst zu kurz greifen.
Die NANDA-Initiative des MIT stellte in ihrem Bericht von 2025, «The GenAI Divide: State of AI in Business», fest, dass rund 95 Prozent der generativen KI-Pilotprojekte in Unternehmen nie einen messbaren geschäftlichen Nutzen lieferten und nur etwa 5 Prozent echte Wirkung im Produktivbetrieb erreichten. Als Ursache nennt das MIT organisatorische, nicht technische Gründe: eine Lernlücke – also die Unfähigkeit, KI in den Arbeitsalltag zu integrieren.
Dieser Befund trifft den Finanzsektor härter als fast jede andere Branche. Das MIT stellte zudem fest, dass der Einkauf bei spezialisierten Anbietern und der Aufbau von Partnerschaften weit häufiger gelingen als Eigenentwicklungen – und hob dies als besonders relevant für regulierte Branchen hervor, in denen viele Institute standardmässig auf Eigenentwicklungen setzen. Tyler machte denselben Punkt aus Sicht der Banken. Während der Session formulierte er es so:
Sein Rat lautete: bewusst schrittweise vorgehen, nicht in einem Sprung. Zuerst intern Nutzen nachweisen – mit Assistenzsystemen für Mitarbeitende und Back-Office-Automatisierung, im Banking also mit Workflows wie dem Routing zur Bekämpfung von Geldwäscherei und der Dokumentenbeschaffung. So entstehen die Governance und die organisatorische Reife, auf die kundenseitige KI angewiesen ist. Danach führt man kundenseitige Assistenten auf eigenen Kanälen wie Website und App ein – zunächst mit einer eng gefassten Auswahl an Journeys, die messbare Ergebnisse belegen, bevor man weiter ausbaut. Die Banken, die diesen Weg gegangen sind, zeigen, was er bewirkt: Der KI-Assistent der Commerzbank löst Berichten zufolge rund 75 Prozent der Kundengespräche eigenständig, und der von ABN AMRO automatisiert mehr als die Hälfte der jährlich mehreren Millionen Interaktionen.
Die ehrliche Version davon lautet nicht «KI repariert den Kundenservice». Sie kommt dem hier näher: KI liefert in einer Bank oder Versicherung nur dann Nutzen, wenn sie im Arbeitsalltag verankert ist, über eine saubere Governance verfügt und mit den Tools verbunden ist, in denen die Menschen ohnehin arbeiten. Wer dieses Fundament falsch legt, landet bei den 95 Prozent.
Die grösste Veränderung ist, dass der Kundenservice keine Insellösung mehr ist – was im Finanzsektor zugleich ein Governance-Problem ist.
Die meisten Institute arbeiten bereits mit Microsoft Teams – mehr als eine Million Organisationen nutzen es, ihre Daten liegen in der Microsoft-Cloud, und ihre Belegschaft arbeitet hybrid. Dennoch betreiben viele ihre Kundeninteraktion weiterhin auf einer Infrastruktur aus einer anderen Ära. Das Ergebnis ist bekannt: Agents wechseln zwischen unverbundenen Systemen, Kundinnen und Kunden wiederholen sich über verschiedene Kanäle hinweg, und Kundendaten sind über Anbieter verstreut, die jeweils eigene Kontrollen und Audits erfordern.
Luware Nimbus löst das, indem es Microsoft Teams zu einem zentralen Customer-Experience-Hub macht. Es verbindet Contact Center, Empfang, Filialen und die internen Fachleute, die eine Anfrage oft erreichen muss, an einem einzigen Ort – so arbeitet ein Agent in derselben Oberfläche, die er den ganzen Tag nutzt. Da Luware Nimbus eine Microsoft-zertifizierte, Teams-native Plattform ist, die auf dem Microsoft-Extend-Modell aufbaut und in Microsoft Azure gehostet wird, gibt es keine separate Konsole zu erlernen und keine externe Hardware zu warten. Für ein reguliertes Unternehmen bedeutet die Konsolidierung auf Teams zudem weniger Orte, an denen sensible Daten liegen – ein leiserer Vorteil, den Risk- und Compliance-Teams schnell bemerken.
Hier sinken auch Kosten und Aufwand: eine Plattform, ein Ort zum Arbeiten und ein einheitliches Set an Reporting und KPIs über Voice, Chat und E-Mail hinweg.
Virtual User, die KI-Self-Service-Ebene von Luware, ersetzt statische IVR-Menüs durch einen Assistenten, der versteht, was ein Anrufer möchte, und entsprechend handelt.
Statt für den Kontostand die 1 und für Kartenservices die 2 zu drücken, schildern Kundinnen und Kunden ihr Anliegen in eigenen Worten und erhalten eine Lösung – oder werden mit vollständigem Kontext an die richtige Fachperson weitergeleitet. In einer Bank oder Versicherung heisst das: Ein Anruf mit Betrugsverdacht erreicht einen auf Betrug geschulten Contact Center Agenten, und eine Frage zur Schadenmeldung erreicht die Schadenabteilung – ohne dass sich Kundinnen und Kunden zuerst durch einen Menübaum arbeiten müssen.
Das ist die praktische Bedeutung des Wechsels von der klassischen IVR zu einer KI-Grundlage auf Microsoft Azure, die Microsoft heute über Azure AI Foundry bereitstellt. Das Telefonmenü war ein grobes Instrument; ein absichtserkennender Assistent ist es nicht. Aus meiner Erfahrung zeigt sich der Unterschied rasch in zwei Zahlen, die Führungskräfte interessieren: Containment – also der Anteil der Interaktionen, die ohne Agent gelöst werden – und Kundenzufriedenheit, weil die Menschen nicht länger gegen ein Menü ankämpfen, um Hilfe bei oft dringenden Geldangelegenheiten zu erhalten.
Luware Nimbus Companion gibt Contact-Center-Agents KI-Unterstützung in Echtzeit während laufender Gespräche und liefert das richtige Wissen im richtigen Moment: Antwortvorschläge, Hinweise während des Anrufs und Zusammenfassungen im Anschluss.
In einem regulierten Umfeld zählt die Veränderung im Tagesgeschäft: Der Agent wechselt nicht mehr zwischen Systemen, um die richtige Antwort zu finden, sondern erhält einheitliche, aktuelle Hinweise.
Zwei Effekte treten immer wieder auf. Neue Agents werden schneller kompetent: Luware-Nimbus-Kunden berichten von einer Reduktion der Einarbeitungszeit um bis zu 50 Prozent – vor allem, weil die Mitarbeitenden in der vertrauten Teams-Oberfläche arbeiten, statt ein separates Tool zu erlernen. Und die Qualität wird einheitlicher, weil jede Interaktion auf derselben Wissensbasis beruht statt auf dem individuellen Gedächtnis desjenigen, der gerade abnimmt. Im Finanzsektor, wo eine falsche oder uneinheitliche Antwort regulatorisches Gewicht haben kann, ist diese Konsistenz alles andere als ein netter Zusatz.
Das Argument in einer regulierten Bank lautet: Die Governance-Grundlage für KI ist bereits vorhanden – Einwilligung, Identität und Audit-Trails sind längst etabliert.
Es geht nicht darum, neue Kontrollen aufzubauen, sondern die statische IVR durch Assistenten zu ersetzen, die Absichten verstehen und innerhalb der bestehenden Kontrollen handeln.
Das war Tylers stärkstes Argument für den Finanzsektor – und es gilt ebenso für Versicherungen und Wealth Management. Azure AI dockt an die Governance an, die ein reguliertes Unternehmen bereits hat, statt sie zu umgehen. Mit Luware Nimbus bleiben Kundendaten innerhalb der Microsoft-Umgebung und sind konzeptbedingt transient, also nicht dauerhaft gespeichert – und genau das macht das Modell für compliance-sensible Institute tragfähig. Eine Präzisierung ist wichtig: Das entbindet ein Unternehmen nicht von seinen Compliance-Pflichten. Es bedeutet, dass KI innerhalb derselben auditierten, kontrollierten Microsoft-365-Umgebung arbeitet wie der Rest des Unternehmens – ein grundlegend anderer Ansatz, als Daten an ein separates KI-System auszulagern.
Die Vertrauenssignale untermauern das. Luware Nimbus verfügt über Microsofts Financial Services AI Certification, die Lösungen auszeichnet, mit denen regulierte Unternehmen aktuelle KI-Dienste nutzen und zugleich compliant bleiben – neben SOC 2 Type II, ISO 27001 und der Registrierung bei der Cloud Security Alliance STAR. Auf der Seite von Aufzeichnung und Überwachung, auf die der Finanzsektor angewiesen ist, bietet Luware Recording Compliance-Aufzeichnung, Archivierung und Speech Analytics über Teams und weitere Kanäle hinweg; zudem wurde Luware mehrfach als Verints EMEA Compliance Partner of the Year ausgezeichnet. Es geht nicht um die Zahl der Zertifikate. Entscheidend ist, dass das Gespräch über KI und das Gespräch über Compliance endlich auf einer Plattform stattfinden können statt auf zweien.
Eine der überzeugendsten Anwendungen von Outbound-KI im Finanzsektor ist ihre Fähigkeit, reaktiven Kundenservice in proaktive Ansprache zu verwandeln. In der Versicherungsbranche machen Anfragen zum Schadenstatus einen grossen Teil der eingehenden Anrufe aus – eine repetitive, leicht automatisierbare Interaktion, die virtuelle Outbound-KI-Agents gut überflüssig machen können. Statt darauf zu warten, dass eine Kundin oder ein Kunde anruft, kann ein virtueller KI-Agent proaktiv Kontakt aufnehmen, sobald ein Schadenfall in eine neue Phase übergeht: Er informiert die Kundinnen und Kunden direkt, beantwortet unmittelbare Fragen und stösst sogar nächste Schritte an – etwa einen Rückruf durch einen menschlichen Agent zu vereinbaren oder auf noch fehlende Unterlagen hinzuweisen. Solche Outbound-Anrufe lassen sich zusätzlich anreichern, indem in Echtzeit automatisch relevante Links oder unterstützende Informationen per E-Mail oder SMS versendet werden. Das Ergebnis ist eine klare Win-win-Situation: Kundinnen und Kunden bleiben über ihren gesamten Schadenverlauf informiert, ohne Updates hinterherlaufen zu müssen, während das Volumen eingehender Anrufe spürbar sinkt. Das verschafft den Contact-Center-Agents Freiraum, ihre Zeit und Expertise auf höherwertige, komplexere Interaktionen zu konzentrieren – was sowohl die operative Effizienz als auch das gesamte Kundenerlebnis verbessert.
Die Finanzseite reagiert auf Containment-Raten und Kosten pro Interaktion; das Risikomanagement auf Governance und Auditierbarkeit; der Betrieb auf Vereinfachung. Ein Business Case im Finanzsektor muss alle drei ansprechen, denn in der Regel müssen alle drei Ja sagen.
Auf der Finanzseite lösen die Banken, auf die Tyler verwiesen hat, zwischen 75 und 90 Prozent der Contact-Center-Gespräche autonom – im Einklang mit den früheren Beispielen. Diese Zahlen stammen aus vollständig agentischen Implementierungen; das obere Ende dieser Spanne würde ich daher eher als Zielgrösse verstehen als eine Annahme für den ersten Tag eines einzelnen Rollouts, denn die Ergebnisse hängen stark vom Interaktionsmix und von der Qualität des Journey-Designs ab. Doch die Richtung stimmt, und Containment ist die Zahl, die ein CFO zuerst sieht. Luware Nimbus Companion legt darauf die Produktivität der Agents obendrauf. Für die Risikoführung lautet das Argument Governance: Die Daten bleiben in der Microsoft-Umgebung und sind durchgängig auditierbar.
Das Argument, das beim Betrieb ankommt, ist einfacher – und aus meiner Erfahrung oft das entscheidende: eine Plattform in Teams, ein Anbieter, ein Governance-Rahmen. Diese Konsolidierung beseitigt eine ganze Kategorie an Aufwand für Integration und Anbietermanagement, mit dem sich die meisten CX- und Compliance-Teams stillschweigend abgefunden haben. Tyler formulierte es so:
Die operative Seite davon zeigt sich bei Kunden wie SIX, einem globalen Anbieter von Finanzmarktinfrastruktur, das seinen Kundenservice auf Luware Nimbus in Teams standardisiert hat.
Der Umstieg auf ein Cloud-Contact-Center wie Luware Nimbus beginnt mit einem «Redesigning the Customer Journey»-Workshop, einer strukturierten Discovery-Session, die das ideale End-to-End-Erlebnis abbildet und einen Customer Journey Blueprint hervorbringt.
Dieser Blueprint wird zur Grundlage für einen Proof of Concept.
Der grösste Hemmschuh, von dem ich höre, ist die Angst vor Störungen im Betrieb – und im Finanzsektor ist diese Vorsicht berechtigt. Das Beruhigende daran ist struktureller Natur: Da Luware Nimbus nativ in Microsoft Teams läuft und in Azure gehostet wird, entfällt der grösste Teil der Infrastrukturkomplexität, die Legacy-Migrationen schmerzhaft macht. Es gibt keine Session Border Controller von Drittanbietern zu verwalten und keine separate Agent-Software auszurollen. Institute gehen in der Regel schneller live, als sie erwarten. Dennoch würde ich jeder Führungskraft raten, das Journey-Design sorgfältig zu planen – denn dort wird der Nutzen gewonnen oder verloren, nicht bei der technischen Umstellung.
Wenn Sie das abwägen, ist der nützlichste erste Schritt kein Funktionsvergleich. Er besteht darin, Ihre aktuelle Customer Journey ehrlich abzubilden und zu entscheiden, wo KI echte Reibung beseitigt, statt eine neue Schicht hinzuzufügen – und zwar mit Ihren Compliance-Anforderungen von Anfang an mit am Tisch. Genau dafür ist der «Redesigning the Customer Journey»-Workshop gemacht.