McKinsey: Banken versuchen, explodierende Kosten für KI-Agenten zu dämpfen
Laut der Global Banking Review von McKinsey könnten Token-Ausgaben für KI-Agenten bis zu 20 Prozent der gesamten Personalkosten erreichen.
Banken weltweit versuchen, die explodierenden Kosten für KI-Agenten in Schach zu halten. Nach der jährlichen Global Banking Review von McKinsey könnten die Ausgaben für die Token, die diese Agenten antreiben, leicht 20 Prozent der gesamten Personalkosten erreichen. Die Verantwortung für die Kontrolle der KI-bedingten Ausgaben liegt inzwischen bei neuen Teams, die einige Institute als „AI FinOps“ bezeichnen. Das berichtet Reuters aus New York unter Berufung auf die Studie vom 10. November.
Anfangs versuchten Banken, die Kosten mit Systemen einzudämmen, die Mitarbeiter je nach Komplexität ihrer Anfragen an unterschiedliche KI-Modelle weiterleiteten. Dieser Ansatz stößt jedoch an seine Grenzen, sobald autonome Agenten ins Spiel kommen. „Doch diese Modelle sind unwirksam, wenn KI-Agenten im Einsatz sind, da sie miteinander kommunizieren und die Token-Anzahl schnell ansteigt“, sagte Vik Sohoni, Senior Partner bei McKinsey und einer der Autoren des Berichts, in einem Interview mit Reuters.
Der Mechanismus dahinter ist technisch erklärbar: Sobald mehrere Agenten eine Aufgabe gemeinsam bearbeiten, tauschen sie untereinander Nachrichten aus. Jeder dieser Schritte verbraucht Token, und die Summe wächst deutlich schneller als bei einer einzelnen Anfrage eines Mitarbeiters an einen Chatbot. Genau diese Vervielfachung entzieht den bisherigen Kostenbremsen die Grundlage.
Banken setzen agentische KI nur noch selektiv ein
Infolgedessen werden Banken selektiver darin, wo sie agentische KI einsetzen. Sie konzentrieren sich auf Bereiche, in denen eine Rendite erwartet wird. Produktivitätsbedingte Einsparungen lassen sich nach Einschätzung von McKinsey relativ einfach messen. Banken prüfen zunehmend aber auch das durch KI getriebene Umsatzwachstum, um zu bestimmen, wo höhere Ausgaben gerechtfertigt sind, so Sohoni.
Bemerkenswert ist das Tempo der Verbreitung. Kunden übernehmen KI viel schneller als frühere Technologien, heißt es in dem Bericht. McKinsey erwartet, dass KI-Agenten innerhalb von drei Jahren weit verbreitet sein werden – verglichen mit den fünf bis zehn Jahren, die das mobile Internet brauchte, um eine breite Akzeptanz zu finden. Diese Gegenüberstellung macht deutlich, wie kurz die Zeiträume sind, in denen Banken ihre Kostenarchitektur anpassen müssen.
Eine Umfrage von McKinsey unter 46.000 Privatkunden im Bankwesen weltweit ergab, dass die meisten bereits KI nutzen, um Bankdienstleistungen zu vergleichen, zinsstärkere Sparkonten zu finden oder Schulden umzuschulden beziehungsweise zusammenzufassen. Das Interesse der Kunden ist also längst praktisch und nicht mehr nur experimentell.
Von den KI-Nutzern gaben 72 Prozent an, sie würden einem Banking-Agenten erlauben, eine finanzielle Aufgabe auszuführen. Allerdings würden sie autonome Genehmigungen auf 500 Dollar begrenzen. Der Meta-Agent „Muse“ wurde in den USA während seiner ersten 22 Tage nach dem Launch fünf Millionen Mal heruntergeladen. Diese Zahl illustriert, wie schnell agentische Angebote Reichweite aufbauen können.
KI-Agenten könnten Banken helfen, Umsätze zu steigern und Kosten zu senken. Sie könnten den Gewinn aber auch unter Druck setzen, indem sie Einlagen von zinslosen Konten auf zinsstärkere Konten verlagern. Bisher war dieser Effekt begrenzt, da die meisten Banken externe KI-Agenten daran hindern, Transaktionen innerhalb ihrer Systeme zu autorisieren. Die Kostenseite und die Ertragsseite hängen damit enger zusammen, als es in der ersten Euphoriephase schien.
Die KI-Kosten belasteten die Finanzchefs der Banken bereits im Oktober 2026
Bereits am 22.10.2026 berichtete aktien.news, dass die rasant steigenden Rechenkosten für künstliche Intelligenz die Finanzvorstände der großen Banken alarmieren. CFOs, die ohnehin vor der schwierigen Aufgabe stehen, die Kosten für KI zu beziffern, sahen sich mit explodierenden KI-Rechnungen konfrontiert, während die Führungskräfte die neue Technologie zunehmend in ihre Arbeitsabläufe integrierten. Nach einer Reihe unerwarteter Rechnungen sei es für die Finanzchefs zur zwingenden Notwendigkeit geworden, die Kosten unter Kontrolle zu bringen. In der frühen Euphorie um die Einführung von KI habe vielen CFOs die nötige Kostentransparenz gefehlt.
Am 23.10.2026 meldete aktien.news, dass mehrere US-Großbanken damit begonnen haben, externe KI-Programme vom Zugriff auf Kundenkonten auszusperren. Wie das Portal Axios berichtete, reagierten die Institute damit auf die wachsende Sorge vor KI-Agenten, die ohne ausdrückliche Nutzeranweisung Transaktionen ausführen könnten. Zu den Instituten mit entsprechenden Sperrungen gehörte dem Bericht zufolge Morgan Stanley. Kunden hatten in einigen Fällen ihre Zugangsdaten an KI-Agenten weitergegeben, wodurch diese technisch in der Lage gewesen wären, im Namen der Nutzer zu handeln.
Am 15.10.2026 beleuchtete aktien.news unter dem Stichwort Tokenomics, wie Unternehmen die explodierenden Kosten der KI steuern. Der Beitrag ordnete ein, dass die Nutzung von KI für den Durchschnittsverbraucher lange Zeit kostenlos wirkte, während intensivere Anwendungen mit deutlich höheren Ausgaben einhergehen. Am 09.02.2026 berichtete aktien.news zudem über die Bank of New York Mellon: 134 sogenannte „digitale Mitarbeiter“ übernahmen dort bereits Aufgaben, die zuvor von Menschen erledigt wurden, während die Mitarbeiterzahl von 53.400 auf 48.100 sank. BNY investierte 2025 rund 3,8 Milliarden Dollar oder etwa 19 Prozent des Umsatzes in Technologie.
Für Anleger verschiebt sich der Blick von der KI-Euphorie auf die Kostenkontrolle
Für Privatanleger in Deutschland ist die zentrale Botschaft der Studie, dass KI im Bankensektor nicht mehr nur als Produktivitätsversprechen, sondern als konkreter Kostenblock bewertet werden muss. Die Größenordnung von bis zu 20 Prozent der Personalkosten ist erheblich, weil Personalkosten in vielen Instituten den größten Einzelposten der Aufwandsposition bilden. Wer Bankaktien hält oder beobachtet, sollte daher nicht nur auf Ankündigungen zu KI-Initiativen achten, sondern auf die Frage, ob die Institute ihre Token-Ausgaben messen und begrenzen können.
Zweitens entsteht ein Zielkonflikt, der die Erträge berührt. Wenn Agenten Kunden dabei helfen, zinsstärkere Konten zu finden oder Schulden umzuschulden, kann das für die Bank teurer werden als der reine Effizienzgewinn. Der Bericht verweist ausdrücklich darauf, dass dieser Effekt bisher begrenzt war, weil die meisten Banken externe Agenten von Transaktionen innerhalb ihrer Systeme ausschließen. Diese Sperre ist damit nicht nur eine Sicherheitsmaßnahme, sondern wirkt zugleich als Ertragsschutz.
Drittens zeigt der Vergleich mit dem mobilen Internet, dass die Branche weniger Zeit für die Anpassung hat als bei früheren Technologiewellen. Drei Jahre statt fünf bis zehn Jahre bedeuten, dass Kostenmodelle, Governance und Kontrollinstanzen schneller stehen müssen. Eine Kauf- oder Verkaufsempfehlung lässt sich daraus nicht ableiten; die Studie liefert jedoch einen belastbaren Prüfrahmen für die Bewertung von KI-Strategien im Bankensektor.
McKinsey erwartet KI-Agenten in drei Jahren breitflächig im Einsatz
Die Beratung geht davon aus, dass KI-Agenten innerhalb von drei Jahren weit verbreitet sein werden. Grundlage dieser Erwartung ist die Beobachtung, dass Kunden KI schneller übernehmen als frühere Technologien. Zugleich setzen Banken nach den bisherigen Erfahrungen mit unerwarteten Rechnungen auf neue Kontrolleinheiten nach dem Muster „AI FinOps“ und auf eine selektivere Auswahl der Einsatzfelder. Sohoni verweist darauf, dass Banken künftig stärker zwischen messbaren Produktivitätseffekten und KI-getriebenem Umsatzwachstum unterscheiden, um höhere Ausgaben zu rechtfertigen. Weitere Termine oder konkrete Zielvorgaben nennt der Bericht nicht.
Drei Fachbegriffe erklären die Kostenlogik der KI-Agenten
- KI-Agent: Ein KI-Agent ist ein Programm, das eine Aufgabe eigenständig in mehreren Schritten bearbeitet und dabei auch mit anderen Agenten zusammenarbeiten kann.
- Token: Token sind die kleinen Texteinheiten, in die ein Sprachmodell Eingaben und Ausgaben zerlegt und nach denen die Nutzung abgerechnet wird.
- AI FinOps: AI FinOps bezeichnet eine organisatorische Einheit, die die laufenden Ausgaben für KI-Nutzung überwacht, zuordnet und begrenzt.