Wie Alpian KI in die Bank integriert
Bei heyneo sind wir ziemlich technikbegeistert. Deshalb wollten wir genau verstehen, wie die Einführung von KI in einer Schweizer Bank konkret abläuft. Wir haben jemanden getroffen, der noch geekiger ist als wir: Damien Chambon, Director Cloud, Data & AI bei Alpian. Mit über fünfzehn Jahren Erfahrung hat er viele KI-Projekte vom Prototypenstadium in die Produktion begleitet, insbesondere in regulierten Umgebungen.
Wir haben ihn getroffen, um zu diskutieren und ihm all unsere Fragen zu stellen. Wie bringt man LLM und Bankdaten zusammen? Warum dürfen bestimmte Berechnungen niemals einer generativen KI anvertraut werden? Wo laufen die Modelle? Wie wird KI in der App und durch die Teams genutzt? Wie schützt Alpian die Daten und verteilt die Rollen zwischen KI und Mitarbeitenden?
Wir teilen dieses erste, spannende Treffen, um zu verstehen, was wirklich hinter den Kulissen passiert, wenn eine Schweizer Bank wie Alpian beginnt, KI in ihre Produkte und ihre Arbeitsweise zu integrieren.
[Interview geführt am 31. August 2026]
Wie beeinflusst KI den Bankenmarkt, und warum muss Alpian diese Technologie übernehmen, um nicht von der Konkurrenz abgehängt zu werden?
KI verändert die Ökonomie der Personalisierung: Was dem traditionellen Private Banking vorbehalten war (maßgeschneiderte Beratung, Reaktionsfähigkeit, Verfügbarkeit), wird skalierbar. Für Alpian, deren Versprechen immer war, dieses Erlebnis zu demokratisieren, ist KI keine Option, sondern vielmehr ein Beschleuniger, um unsere Vision zu verwirklichen.
Außerdem beschränkt sich die Konkurrenz nicht nur auf Banken: Die Erwartungen der Kunden werden von den besten Tech-Produkten geprägt, die sie täglich nutzen. Eine Banking-App wird mit ChatGPT, Gemini oder Claude verglichen, nicht nur mit der E-Banking-App eines Konkurrenten.
Man muss jedoch in einem Punkt klar sein: Bei Alpian war nie die Rede davon, den Berater durch eine KI zu ersetzen. Unser Modell basiert genau auf der menschlichen Beziehung, das ist es, was uns unterscheidet. KI unterstützt: Sie übernimmt repetitive Aufgaben, bereitet den Boden für die Berater und fasst Informationen zusammen, damit diese ihre Zeit dem widmen, was den größten Wert hat: Beziehung, Urteilsvermögen, Beratung. Bei Alpian automatisieren wir nicht die Beziehung, wir automatisieren das, was uns daran hindert, Zeit dafür zu haben.
Und genau hier ist die Einordnung interessant: Das Wettbewerbsrisiko besteht nicht darin, von KI ersetzt zu werden, sondern von denen überholt zu werden, die ihre Teams dank KI effizienter gemacht haben.
Was will Alpian mit KI auf operativer Ebene erreichen?
Im Markt allgemein konzentriert sich KI auf operativer Ebene immer auf dieselben Use Cases: Kundensupport, Dokumentenerstellung, Unterstützung für Entwickler und interne Informationssuche. Nichts wirklich Bankspezifisches – und genau das ist der Punkt: Diese Gewinne sind inzwischen für jede Organisation zugänglich, unabhängig von ihrer Größe.
Was sich für eine Bank ändert, ist das Anspruchsniveau. Jeder Use Case muss auditierbar, erklärbar und mit dem Schweizer Regulierungsrahmen konform sein. Das ist der ganze Unterschied zwischen einer beeindruckenden Demo und einem System, das mit echten Bankkunden in Produktion geht.
Bei Alpian verfolgen wir drei Ziele.
1. Das Kundenerlebnis
Unser KI-Assistent ermöglicht es unseren Kunden, ihre Ausgaben in natürlicher Sprache zu analysieren – in vier Sprachen – mit Antworten, die auf ihren Transaktionen basieren. Eine sofortige, personalisierte Antwort direkt in unserer Mobile-App.
2. Operative Effizienz
KI übernimmt Routineaufgaben (Dossier-Zusammenfassungen, Suche in der Wissensdatenbank, Unterstützung für Entwickler), damit unsere Teams ihre Zeit dort einsetzen, wo der Mensch den Unterschied macht.
Diese Effizienz beruht auf einem unsichtbaren, aber entscheidenden Fundament: Daten. Jedes Ereignis auf unserer Banking-Plattform (eine Transaktion, eine Kontoeröffnung, eine Kundeninteraktion) wird kontinuierlich erfasst und speist unser zentrales Data Warehouse. Eine einzige Quelle, strukturiert und stets aktuell.
Unsere Teams können diese Daten so direkt über interne KI-Agenten in natürlicher Sprache abfragen, ohne für jede Analyse von einem technischen Team abhängig zu sein. Ein Team, das KI nutzt, konkurriert heute mit deutlich größeren Strukturen: Der Wettbewerbsvorteil verschiebt sich von der Größe zur Umsetzungsgeschwindigkeit.
3. Risikokontrolle
Dieser Bereich umfasst Anomalieerkennung, Compliance-Screening und die Reduktion von False Positives, die Analysten unnötig binden. Es ist der am wenigsten sichtbare Bereich, aber in einer regulierten Bank ist es vielleicht der, in dem KI am meisten Wert schafft, indem sie die Wachsamkeit feiner macht – nicht weniger menschlich.
KI ersetzt keine Entscheidung. Sie bereitet vor, beschleunigt, filtert und überlässt das finale Urteil dem Menschen.
Wie eignet sich Alpian die Technologie an, und wie trifft sie ihre technischen Entscheidungen?
Wir entwickeln keine eigenen KI-Modelle. Das ergäbe weder wirtschaftlich noch technisch Sinn, angesichts der Milliarden, die die großen Labore investieren. Wir nutzen die besten Modelle am Markt über die Managed Services von Google, unsere Plattform seit dem ersten Tag, wobei die Daten unserer Kunden in der Schweiz gehostet werden.
Alles, was den Wert von Alpian ausmacht, bauen wir hingegen selbst: die Orchestrierung der Agenten, die sichere und private Anbindung an die Bankdaten unserer Kunden und natürlich die Kontrollen, die jede Antwort einrahmen. Das LLM (Large Language Model) ist eine Komponente – das Produkt ist alles, was darum herum liegt.
Unsere Doktrin lässt sich in einem Satz zusammenfassen: kaufen, was uns nicht unterscheidet, bauen, was uns unterscheidet.
Wir bevorzugen offene und Open-Source-Lösungen, insbesondere wenn sie als Industriestandards breit etabliert sind. Das gilt für Infrastruktur, Monitoring oder Interoperabilitätsprotokolle zwischen KI-Agenten. Ein offener Standard ist eine Versicherung für Reversibilität, und wir wollen von keiner proprietären Technologie abhängig sein.
Wie entscheiden wir? Jede Technologie durchläuft denselben Filter.
Zuerst der regulatorische Rahmen: Eine Schweizer Bank wählt ihre Anbieter mit einem Formalismus, den ein Startup nicht hat. Jeder kritische Dienstleister wird einer formellen Risikobewertung unterzogen, und der Datenstandort ist eine nicht verhandelbare Vorgabe.
Dann die Teamgröße: Jeder Technologiebaustein, den wir integrieren, ist ein Baustein, den wir über mehrere Jahre warten müssen. Falsch gewählt, ist das garantierte technische Schuld – und ein kleines Team kann es sich nicht leisten, davon zu viel anzusammeln.
Schließlich die Geschwindigkeit: Im KI-Ökosystem verändert sich die Landschaft alle sechs Monate. Wir bevorzugen daher Entscheidungen, die unsere Fähigkeit bewahren, unsere Meinung zu ändern.
Daraus ergibt sich eine bewusst gewählte Philosophie: bewährte, fast „langweilige“ Technologie für die Grundlagen – und Innovation dort konzentrieren, wo der Kunde sie sieht. Mut ist nicht, den Trendtechnologien hinterherzulaufen. Mut ist, zu wissen, wo man innoviert und wo man „nüchtern“ bleibt.
Arbeitet die KI auf dem Gerät des Kunden oder serverseitig?
Heute läuft für unseren Assistenten die Inferenz vollständig serverseitig, bei Google Cloud, und die Daten unserer Kunden werden in der Schweiz gehostet. Das Telefon unseres Kunden sieht das Modell nie: Die App kommuniziert mit unseren gesicherten APIs, die die KI aus unserer Infrastruktur heraus orchestrieren.
Diese Entscheidung beruht auf drei Gründen.
Der erste ist technisch: Modelle, die ein Reasoning in Bankqualität leisten, sind zu groß, um auf einem Smartphone zu laufen – und das wird noch eine Weile so bleiben.
Der zweite ist regulatorisch und der prägendste: In einer Bank muss jede von einer KI generierte Antwort nachvollziehbar und auditierbar sein. Wir müssen rekonstruieren können, was das Modell geantwortet hat und auf Basis welcher Daten (Kontext). Diese Anforderung erzwingt eine zentralisierte Architektur: Man kann nicht einfach auditieren, was auf Millionen heterogener Geräte ausgeführt wird.
Der dritte ist operativ: Serverseitig kommt eine Modellverbesserung oder ein Sicherheitsfix sofort allen Kunden zugute, ohne von einem App-Update abhängig zu sein.
Später bin ich überzeugt, dass die Zukunft hybrid sein wird. On-Device-KI macht schnelle Fortschritte. Google und Apple integrieren Modelle direkt in ihre Systeme, und das hat echte Vorteile: nahezu sofortige Reaktionsfähigkeit und „Privacy by design“, weil die Daten das Gerät nicht verlassen.
Für gezielte Aufgaben wie intelligentes Vorbefüllen von Formularen, sofortige Kategorisierung oder Offline-Unterstützung ist das eine ernsthafte Spur, die wir sehr genau verfolgen.
Aber bleiben wir realistisch (und genau da liegt der Kern des Problems): Komplexes Reasoning auf Finanzdaten wird serverseitig bleiben – dort, wo wir Sicherheit, Modellversion und Auditierbarkeit im Griff haben.
Im Bankenumfeld lautet die Frage nicht nur „Wo ist die Inferenz am schnellsten?“, sondern „Wo ist sie am besten steuerbar?“
Meine Überzeugung: lokal für den Nutzungskomfort, Server für alles, was Vertrauen berührt.
Wie unterscheidet Alpian LLM von anderen Formen von KI, die zur Analyse von Finanzdaten eingesetzt werden?
LLM sind dort hervorragend, wo es ums Verstehen und Formulieren geht: die Absicht eines Kunden erfassen, der eine Frage in seinen eigenen Worten und in seiner Sprache stellt, und dann eine klare Antwort formulieren. Das ist eine Revolution für die Kundenbeziehung: Endlich passt sich die Maschine dem Menschen an – und nicht umgekehrt.
Aber diese Modelle haben eine strukturelle Grenze: Sie sind probabilistisch. Sie erzeugen die plausibelste Antwort, nicht zwingend die exakte. In der Konversation ist das eine Stärke, in der Finanzberechnung ist es disqualifizierend.
Deshalb erzeugt in unseren Systemen ein LLM niemals eine Zahl. Wenn ein Kunde seine Ausgaben abfragt, versteht das Sprachmodell die Frage und delegiert die Berechnung an deterministische Tools, die exakte Abfragen auf seinen Daten ausführen. Der Betrag, der angezeigt wird, kommt nicht aus der Fantasie eines Modells: Er kommt aus der Datenbank, auf den Rappen genau. Das LLM kleidet ihn nur in Worte.
Finanzanalyse und Risikomanagement gehören zu einer anderen KI-Familie, die älter und erprobter ist: prädiktive KI. Hier sprechen wir von statistischen Modellen und klassischem Machine Learning.
Betrugserkennung ist das perfekte Beispiel: Es geht darum, in Echtzeit eine Transaktion zu erkennen, die vom üblichen Verhalten eines Kunden abweicht – mit gemessener Fehlerquote und anpassbaren Schwellenwerten.
Dasselbe gilt für Compliance-Screening oder das Erkennen von Trends in Finanzdaten: Diese Ansätze haben Qualitäten, die generative KI nicht hat. Sie sind messbar, reproduzierbar und erklärbar. Man kann sie auf historischen Daten testen, ihre Genauigkeit quantifizieren und dokumentieren, warum sie einen bestimmten Alarm auslösen. Genau das, was ein Regulator (und ein Kunde) erwarten darf, sobald es um Geld oder Sicherheit geht.
Kurz gesagt: generative künstliche Intelligenz für die Interaktion, prädiktive für Zahlen und Wachsamkeit – und der Mensch in der Schleife für jede Entscheidung, die zählt.
Alle drei werden in einem Produkt kombiniert, in dem der Kunde nur ein flüssiges Erlebnis sieht – aber unter der Haube bleibt jede KI-Familie strikt an ihrem Platz.
Wie ist KI in der Alpian-App auf Kundenseite integriert?
Die erste KI-Funktion, die für unsere Kunden sichtbar ist, ist ein konversationeller Assistent, direkt in die App integriert: Jeder kann seine Finanzen in natürlicher Sprache abfragen – in den vier Sprachen unserer Kunden.
„Wie viel habe ich letzten Monat in Restaurants ausgegeben?“, „Was ist dieses Jahr mein größter Ausgabenposten?“: Die Antwort kommt in wenigen Sekunden – basierend auf den echten Transaktionen.
Technisch ist das die direkte Anwendung der Doktrin, von der ich zuvor gesprochen habe: Die Zahlen kommen aus den Daten des Kunden, das Modell macht daraus Worte. Und das Ganze läuft auf unserer Schweizer Infrastruktur, mit den Kontrollen einer Bank – nicht in einem generischen Chatbot, der ans Internet angeschlossen ist.
Und man muss in einem Punkt ehrlich sein: Das Modell ist der einfache Teil. Der Großteil unserer Arbeit betrifft das, was darum herum liegt: die Guardrails, die Fragen außerhalb seines Kompetenzbereichs blockieren, die systematische Bewertung der Antworten vor jedem Go-live, die kontinuierliche Überwachung, sobald es live ist. Das ist viel weniger spektakulär als eine Demo, aber genau das trennt einen Prototyp von einem Bankprodukt.
Rund um diesen Assistenten arbeitet KI in der App auch im Hintergrund: Die automatische Kategorisierung von Transaktionen verwandelt eine kryptische Bankbezeichnung in lesbare Information und bildet die Grundlage für die gesamte Ausgabenanalyse, die der Kunde auf seinem Bildschirm sieht.
Unsere aktuellen Entwicklungen lassen sich in einem Leitwort zusammenfassen: vom Reaktiven zum Proaktiven.
Heute antwortet der Assistent, wenn man ihn fragt. Morgen wollen wir, dass er von sich aus signalisiert, was Aufmerksamkeit verdient: eine ungewöhnliche Ausgabe, ein Abo, das teurer wird, eine bevorstehende Fälligkeit oder zum Beispiel ein atypischer Monat.
Das Ziel ist nicht, mehr Benachrichtigungen zu erzeugen – niemand will noch mehr davon –, sondern die richtige Information zur richtigen Zeit sichtbar zu machen.
Wichtig ist, dass es dabei eine rote Linie gibt: Der Assistent macht die Finanzen des Kunden verständlicher, er gibt aber keine Anlageberatung. Alles, was Beratung betrifft, bleibt Sache unserer menschlichen Experten. KI bereitet den Boden. Die Vertrauensbeziehung entsteht mit echten Menschen.
Wie wird KI intern von den Alpian-Teams genutzt?
Jeder Mitarbeitende bei Alpian verfügt über einen Enterprise-KI-Assistenten, der mit unseren Tools und unserer internen Wissensdatenbank verbunden ist – mit denselben Anforderungen an Sicherheit und Vertraulichkeit wie unsere Banksysteme.
Unsere Überzeugung ist einfach: Wir können nicht behaupten, unseren Kunden die Services einer durch KI erweiterten Bank zu bieten, wenn unsere eigenen Teams arbeiten wie 2015.
Im Kundenservice übernimmt KI den First-Level-Support. Wir haben einen Assistenten gebaut, der einen großen Teil der Anfragen beantworten kann – inklusive Prozessen, Produktfunktionalitäten und häufigen Fragen – gestützt auf unser internes Wissen.
Heute arbeitet er an der Seite unserer Teams. Der nächste Schritt: ihn direkt in der App für den Kunden zugänglich zu machen – für eine sofortige Antwort, rund um die Uhr und in seiner Sprache. Und wir wollen weiter gehen: diesen Assistenten an unsere internen Systeme anbinden, damit er nicht nur antwortet, sondern auch eine Diagnose stellen kann.
Zum Beispiel erklärt ein Kunde, dass er nicht mehr im Internet bezahlen kann. Der Assistent kann den Status seiner Karte prüfen, feststellen, dass die Option „Online-Zahlung“ nicht aktiviert ist, und ihm erklären, wie er das macht. Immer dieselbe Architektur: Das Modell versteht, unsere Systeme prüfen.
Aber auf Seiten unserer technischen Teams ist die Transformation am tiefgreifendsten: KI revolutioniert gerade ihre Art, Software zu entwickeln. Unsere Ingenieure arbeiten mit Code-Assistenten, die nicht mehr nur eine Zeile vervollständigen: Sie verstehen ein ganzes Projekt, schreiben komplette Features, generieren Tests, schlagen Code-Reviews vor und verfassen die Dokumentation.
Das Berufsbild verschiebt sich: Der Ingenieur verbringt weniger Zeit damit, Code zu schreiben, und mehr damit, ihn zu spezifizieren, zu architektieren und zu verifizieren. Er wird zum Dirigenten seiner eigenen Arbeit. Ein disruptiver Paradigmenwechsel.
Und schließlich, fürs Steering, fragen unsere Business-Abteilungen die Bankdaten direkt in natürlicher Sprache ab – über Agenten, die an unser Data Repository angebunden sind.
Eine Frage, die gestern noch ein Ticket ans Data-Team ausgelöst hätte, bekommt heute in wenigen Minuten eine Antwort – und das Data-Team kann sich dem widmen, was wirklich seine Expertise erfordert.
Über Damien Chambon
Damien Chambon ist Director Cloud, Data & AI bei Alpian. Er leitet die Teams, die für die Cloud-Infrastruktur, die Datenplattform und die KI-Produkte verantwortlich sind. Er spricht regelmäßig auf Konferenzen über die Einführung von künstlicher Intelligenz.
