KI-Produktivitätsgewinne: der Fall Bank of America

September 2026: die Zahl, für die die Bank unterschreibt

Am 24. September 2026 verwendete Jim DeMare, Co-President der Bank of America, auf einer Konferenz von BofA Securities zwei Worte, die schwerer wiegen als eine ganze Folie: «clearly identifiable».

Er bezog sie auf einen eng gezogenen Bereich: die Produktivität derjenigen, die Code schreiben. KI hebe sie in den meisten Branchen um etwa 15-20 %, erklärte er, und genau diesen Gewinn messe die Bank bei ihren 20.000 Entwicklern, die heute mit Coding Agents arbeiten. Die Rekonstruktion stammt von CIO Dive^[1].

Die Debatte über KI-Produktivitätsgewinne kommt selten bei einer Zahl an, die eine Bankspitze schriftlich festhält. Der Rest des KI-Portfolios der Bank entzieht sich unterdessen einer derart sauberen Messung. Der Abstand zwischen beiden Registern verdient Aufmerksamkeit.

Diese Asymmetrie ist der Kern der Geschichte.

Die Frage, die im Saal kursierte und die DeMare selbst wiedergab, lautete: Kommen die Erträge schnell genug? Der Druck wächst mit den Ausgaben.

Die eigentliche Idee: KI dort, wo die Arbeit schon gemessen wurde

Die interessante Entscheidung der Bank of America betrifft den Anwendungspunkt, noch vor dem Budget.

Die Technologieeinheiten stehen bei messbaren Erträgen an erster Stelle, so DeMare, und der Grund ist struktureller Natur. Wer Software schreibt, arbeitet in einer Umgebung, die seit Jahren alles zählt: Commits, Tickets, Review-Zyklen, Release-Zeiten, Fehler pro tausend Zeilen. Die Messung geht der KI um ein Jahrzehnt voraus.

Das Before/After existiert bereits, archiviert, granular, mit einem stabilen Nenner. Der Agent tritt in einen instrumentierten Bereich ein, und seine Wirkung zeigt sich sofort. Das Controlling sieht sie beim ersten Abschluss.

Dieselbe Technologie, in einen kaum nachverfolgten Prozess getragen, erzeugt eine andere Erfahrung: das Gefühl, schneller voranzukommen, ohne eine Zeitreihe, die es bestätigt. Der Ertrag existiert vielleicht und bleibt unsichtbar.

Das ist die erste übertragbare Lehre: Die Instrumentierung geht der Einführung voraus. Wer den Prozess misst, bevor er einen Agenten einsetzt, erhält eine Zahl; wer ihn einsetzt und dann nach der Zahl sucht, erhält eine Anekdote.

Die Zahlen, eine nach der anderen, mit der Quelle daneben

Den wirtschaftlichen Rahmen legte Vorstandschef Brian Moynihan in der Woche zuvor auf einer Barclays-Konferenz dar, wie Banking Dive^[2] berichtet.

• rund 140 KI-Anwendungsfälle im Produktivbetrieb
• angegebene Kosten: 400 Millionen Dollar
• angegebener Nutzen: 800 Millionen Dollar
• KI-Ausgabenbudget soll sich im nächsten Jahr verdoppeln
• 20.000 Entwickler mit Coding Agents, +15-20 % Produktivität
• Erica: ein Arbeitsvolumen von etwa 11.000 Personen

Das Verhältnis von zwei zu eins zwischen Nutzen und Kosten ist die Zahl, die durch die Aufsichtsräte gehen wird. Sie verdient eine Präzisierung: Dieses 2× kommt von der Bank selbst, in einer Investorenpräsentation. Ein aufmerksames Gremium wird nach der Berechnungsmethode fragen.

Die 15-20 % beim Code hingegen qualifiziert DeMare als klar identifizierbar. Der sprachliche Unterschied zwischen den beiden Posten ist bewusst gesetzt und sollte respektiert werden.

Eine erklärte Zahl und eine geprüfte Zahl wiegen unterschiedlich schwer.

Auch die Größenordnung zählt: 3.500 Milliarden Dollar Bilanzsumme. Auf dieser Basis machen 400 Millionen KI-Ausgaben einen minimalen Bruchteil der Gewinn- und Verlustrechnung aus, und die angekündigte Verdopplung wird zu einer finanziell risikoarmen Wette. Nur wenige Organisationen verfügen über diesen Fehlerspielraum.

Erica wechselt den Beruf: vom Kunden zum Kollegen

Erica entsteht 2018 als virtueller Assistent für die Privatkunden der Bank. Der am 24. September 2026 geschilderte Schritt verlagert sie an eine andere Front: den Self-Service der Mitarbeitenden.

DeMare sprach von einem deutlichen Rückgang der Anfragen am internen Helpdesk. Das gesamte von Erica bewältigte Volumen entspricht nach Angaben der Bank der Arbeit von rund 11.000 Personen. Die Zahl beschreibt absorbiertes Volumen, nicht eingesparte Köpfe.

Die Wiederverwendung zählt mehr als die Neuheit. Die Bank of America hat auf den Kauf einer neuen Plattform für den internen Support verzichtet und auf ein System gesetzt, das an Millionen von Gesprächen erprobt ist, mit seinem Intent-Modell, seinen Logs, seinen Containment-Metriken.

Es ist das Muster, das dieses Ressort in den solidesten Fällen wiederfindet: Wer die eigenen Assets wiederverwendet, skaliert; wer die schlüsselfertige Lösung kauft, bleibt im Pilotprojekt stecken. Ein Assistent, der bereits auf die Sprache des Unternehmens trainiert ist, startet mit einem Vorsprung, den eine Anbieter-Demo kaum aufholt. Der Vorteil liegt in den historischen Daten, noch vor dem Modell.

Die Reibung: vier von fünf Bankchefs sehen wenig

Hier wird die Geschichte wirklich nützlich.

Accenture hat festgestellt, dass 20 % der Bankmanager einen breiten und dauerhaften Wert aus KI-Initiativen beobachten, während alle anderen Probleme bei der Skalierung haben. Die Angabe findet sich im selben Beitrag von CIO Dive.

Übersetzt: Vier von fünf Führungskräften beschreiben ein anderes Bild als das aus Charlotte. Die Bank of America gehört zur Minderheit und gelangt dorthin, indem sie einen einzigen Posten als gesichert präsentiert.

Selbst im besten Fall bleibt der sichere Bereich also eng. Rund 140 Anwendungsfälle im Produktivbetrieb, ein erklärter Gesamtnutzen und eine Zeile, für die der Co-President als identifizierbar unterschreibt: die Softwareentwicklung.

Das ist die implizite Korrektur des Falls: Die Verdopplung des Budgets kommt vor dem breiten Nachweis des Ertrags. Eine Bank mit 3.500 Milliarden trägt diese Wette; ein Mittelständler kaum. Die nützliche Lehre läuft in die andere Richtung: dort beginnen, wo die Zahl bereits existiert, und erst danach ausweiten.

Belegschaft schrumpft, Entlassungen ausgeschlossen

Moynihan fügte die heikelste Angabe hinzu: Die Belegschaft ist von rund 213.000 Beschäftigten Anfang 2026 auf 209.000 gesunken, bei einer freiwilligen Fluktuationsrate von etwa 8,5 %. Entlassungen hat der CEO ausgeschlossen.

Es lohnt sich, die Rechnung aufzumachen. Eine Rate von 8,5 % auf 213.000 Personen ergibt rund 18.000 Abgänge in einem Jahr, während der Nettorückgang 4.000 beträgt. Die Differenz erzählt von weiterhin reichlichen Einstellungen, mit einer nur teilweisen Nachbesetzung der frei werdenden Stellen.

Für einen Aufsichtsrat lautet der Punkt so: KI geht über das Tempo der Nachbesetzungen in die Gewinn- und Verlustrechnung ein, nicht über eine Einsparzeile.

Der Mechanismus ist langsam, leise und reversibel. Wer einen sofortigen Einschnitt erwartet, liest den Fall falsch.

Für eine Führungskraft verschiebt sich die Bedeutung noch einmal. Die vom Agenten übernommene Arbeit betrifft das repetitive Ticket, die Reset-Anfrage, die Suche nach einer internen Prozedur: Tätigkeiten, die Arbeitstage verschlingen und wenig Kompetenz erzeugen. Hier liegt der Wert für die, die bleiben.

Was Sie aus dieser Geschichte mitnehmen können

Das Playbook lässt sich in vier Schritten zusammenfassen, übertragbar auf jede Größenordnung.

1. Einen Prozess wählen, der bereits Reihendaten erzeugt: Tickets, Durchlaufzeiten, Fehlerquoten.
2. Das Before über drei Monate Historie festlegen, mit einem klaren Nenner.
3. Ein bestehendes internes System wiederverwenden, bevor ein Kauf geprüft wird.
4. Erklären, welcher Gewinn identifizierbar ist und welcher geschätzt bleibt.

Ein Mittelstandsgründer liest diesen Vorgang als Erlaubnis, klein anzufangen: Der Entwicklungsbereich oder der interne Support sind ein Pilotprojekt von wenigen Wochen wert. Die 15-20 % beim Code sind eine Branchenspanne, anwendbar auf ein Team von acht Personen ebenso wie auf eines von zwanzigtausend.

Ein CTO gewinnt daraus eine technische Spezifikation: Der Agent geht dorthin, wo Telemetrie existiert, und die Telemetrie baut man vorher auf. Ein Aufsichtsrat gewinnt einen strengeren Maßstab, mit einer präzisen Frage an jede Präsentation: Welcher Teil des Nutzens ist identifizierbar, welcher bleibt geschätzt?

Es bleibt die offene Frage, gültig für jede Organisation: Wie viele der Prozesse, die Sie einem Agenten anvertrauen möchten, erzeugen heute eine Zahl, die sich in sechs Monaten vergleichen lässt?

Die Antwort entscheidet über den Ertrag lange vor der Wahl des Modells.