Deutsche Bundesbank

11/18/2026 | Press release | Distributed by Public on 11/18/2026 02:22

Innovation braucht Resilienz: KI und Quantencomputing im Finanzsektor Euro Finance Week

Es gilt das gesprochene Wort.

1 Einleitung

Sehr geehrte Damen und Herren,

ich freue mich sehr, den TechDay heute im Rahmen der Euro Finance Week mit einer Keynote zu eröffnen.

Technologische Entwicklungen prägen den Finanzsektor seit jeher. Zahlungsverkehr, Wertpapierhandel, Risikomanagement, Kreditprozesse, Kundenkommunikation - kaum ein Bereich ist heute noch ohne leistungsfähige digitale Infrastruktur denkbar. Zugleich ist der Finanzsektor besonders sensibel gegenüber technologischen Veränderungen. Denn hier geht es nicht nur um Effizienz und Wettbewerbsvorteile, sondern auch um Vertrauen, Stabilität und Sicherheit.

Heute möchte ich über zwei Technologien sprechen, die den Finanzsektor auf unterschiedliche Weise verändern können: Künstliche Intelligenz und Quantencomputing.

Beide Technologien werden mitunter in einem Atemzug genannt. Und doch stehen wir bei diesen an unterschiedlichen Entwicklungsschritten. Künstliche Intelligenz ist bereits heute in vielen Bereichen im Einsatz oder zumindest in konkreter Erprobung. Quanten computing dagegen ist für viele praktische Anwendungen noch Zukunftsmusik, aber dennoch relevant, denn gerade beim Quanten computing müssen schon heute bestimmte Konsequenzen für morgen mitbedacht werden.

Man könnte daher sagen: Künstliche Intelligenz ist die Technologie, deren Chancen und Risiken wir bereits im laufenden Betrieb gestalten müssen. Quanten computing ist die Technologie, auf deren Chancen wir uns vorbereiten - und deren Risiken für die digitale Sicherheit wir nicht auf die lange Bank schieben dürfen.

Diese Unterscheidung ist wichtig. Denn sie zeigt: Es geht nicht um Technologiebegeisterung auf der einen Seite und Technologieverhinderung auf der anderen. Es geht vielmehr darum, Innovation verantwortungsvoll möglich zu machen. Wer neue Technologien nachhaltig nutzen will, muss ihre Risiken verstehen, steuern und begrenzen können.

Das gilt für ihren Einsatz im Bankensektor ganz besonders. Denn Banken sind keine gewöhnlichen Technologieunternehmen. Sie verwalten Vermögen, vergeben Kredite, ermöglichen Zahlungen und vieles mehr. Kurzum: Sie sind kritische wirtschaftliche Infrastruktur. Wenn Künstliche Intelligenz und Quanten computing Prozesse, Geschäftsmodelle und Risikoprofile verändern, betrifft das nicht nur einzelne Institute. Es betrifft auch die Widerstandsfähigkeit des Finanzsystems insgesamt.

Die Leitfrage meiner heutigen Ausführungen lautet daher: Wie kann der Finanzsektor die Chancen von Künstlicher Intelligenz und Quanten computing nutzen und zugleich Sicherheit, Resilienz und Handlungsfähigkeit bewahren?

2 Künstliche Intelligenz: Chancen im laufenden Betrieb

Beginnen wir mit der Künstlichen Intelligenz.

Institute nutzen sie in vielen Bereichen bereits heute - etwa in der Betrugserkennung, im Risikomanagement, in der Kundenkommunikation, bei der Geldwäscheprävention oder bei der Analyse großer Datenmengen. Generative eröffnet zudem neue Möglichkeiten: Texte können zusammengefasst, Dokumente ausgewertet, Programmcode unterstützt oder interne Wissensdatenbanken effizienter genutzt werden.

Das Potenzial ist erheblich. kann helfen, Prozesse zu beschleunigen, Kosten zu senken und Muster zu erkennen, die mit klassischen Methoden schwerer sichtbar wären. Gerade im Finanzsektor, in dem täglich enorme Mengen strukturierter und unstrukturierter Daten entstehen, kann das ein bedeutender Fortschritt sein.

Zugleich gilt: ist nicht einfach ein weiteres -Werkzeug. Sie verändert Entscheidungsprozesse. Sie kann automatisieren, priorisieren, klassifizieren und Empfehlungen geben. Damit stellt sich unmittelbar die Frage: Wer trägt Verantwortung, wenn Entscheidungen durch -Systeme vorbereitet oder beeinflusst werden?

Aus unserer Sicht als Aufseher kommt es auf Folgendes an:

Erstens: Datenqualität. Ein -System ist nur so verlässlich wie die Daten, auf denen es trainiert und betrieben wird. Fehlerhafte, verzerrte oder unvollständige Daten können zu fehlerhaften Ergebnissen führen. Im Finanzsektor kann das erhebliche Folgen haben - etwa bei Kreditentscheidungen, Risikoeinschätzungen oder der Erkennung verdächtiger Transaktionen.

Zweitens: Nachvollziehbarkeit. Nicht jedes -Modell ist ohne Weiteres erklärbar. Gerade komplexe Modelle können Ergebnisse liefern, deren Zustandekommen für Nutzerinnen und Nutzer nicht unmittelbar transparent ist. Für Banken ist das problematisch, wenn auf dieser Grundlage wesentliche Entscheidungen getroffen werden. Institute müssen verstehen, wie Modelle wirken, wo ihre Grenzen liegen und wann menschliche Kontrolle erforderlich ist.

Drittens: Verantwortlichkeit. Der Einsatz von darf nicht dazu führen, dass Verantwortung diffus wird. Auch wenn ein Modell technisch anspruchsvoll ist oder von einem externen Dienstleister bereitgestellt wird, bleibt das Institut für den angemessenen Einsatz verantwortlich. Auslagerung entbindet nicht von Governance-Verantwortung.

Viertens: Operationelle Resilienz. -Systeme können selbst neue Abhängigkeiten schaffen - von Datenquellen, Cloud -Diensten, Modellanbietern oder spezialisierten Fachkräften. Wenn solche Systeme in kritische Prozesse eingebettet werden, müssen Institute auch Ausfälle, Manipulationen und Fehlfunktionen berücksichtigen.

Fünftens: Nicht nur Banken nutzen . Auch ihre Kundinnen und Kunden tun es. Und sie werden es in Zukunft wohl noch intensiver tun. Banken müssen sich daher fragen, was es bedeutet, wenn ihre Kundschaft beispielsweise anfängt, ihre Finanzgeschäfte mithilfe von -Agenten zu erledigen. Wie wird es um die Kundenbindung eines -Agenten bestellt sein? Die Rolle von Einlagen als stabile und günstige Refinanzierungsquelle könnte unter Druck geraten.

Sollte eine solche Entwicklung eintreten, könnten Banken versucht sein, eine geringere Zinsmarge über eine höhere Risikonahme auszugleichen - Stichwort " search for yield ". Eine nachhaltige Antwort kann aber nur in einer Weiterentwicklung des Geschäftsmodells liegen.

Die Botschaft ist also: kann den Finanzsektor leistungsfähiger machen. Aber ihr Einsatz muss in ein belastbares Rahmenwerk eingebettet sein - mit klaren Zuständigkeiten, angemessenen Kontrollen und einem realistischen Verständnis der Risiken.

3 Quantencomputing: Potenzial und Grenzen

Kommen wir zum Quanten computing .

Der grundlegende Unterschied zwischen Quantencomputern und klassischen Computern liegt in ihrer Funktionsweise. Klassische Computer verarbeiten Informationen in Bits, die jeweils einen von zwei Zuständen annehmen: null oder eins. Quantencomputer arbeiten mit Qubits. Diese können sich in quantenmechanischen Überlagerungen befinden. Dadurch können bestimmte Problemklassen auf andere Weise bearbeitet werden als mit klassischen Computern.

Das bedeutet allerdings nicht, dass Quantencomputer klassische Computer allgemein ersetzen werden.

Doch im Finanzsektor könnten Quantencomputer künftig etwa bei Optimierungsproblemen, Risikomodellierung, Simulationen oder der Betrugsprävention eine Rolle spielen. Auch außerhalb des Finanzsektors werden mögliche Anwendungen diskutiert - etwa in der Materialforschung, in der Medikamentenentwicklung oder bei der Optimierung von Lieferketten.

Die zentrale Botschaft lautet: Das Potenzial ist erheblich. Aber Quanten computing ist derzeit noch keine breit einsetzbare Technologie für den Alltag der Finanzbranche.

Gerade deshalb ist es wichtig, nüchtern zu bleiben. Weder sollten wir das Potenzial unterschätzen, noch sollten wir heute schon so tun, als stünden alle Anwendungen unmittelbar vor der Marktreife. Für Institute bedeutet das: Entwicklungen beobachten, Kompetenzen aufbauen, mögliche Anwendungsfelder analysieren - aber zugleich realistisch bleiben, was Reifegrad, Kosten und praktische Einsetzbarkeit betrifft.

4 Sicherheit und Resilienz im Quanten-Zeitalter

Neben dem wirtschaftlichen Potenzial gibt es beim Quanten computing jedoch eine zweite Dimension, die bereits heute Aufmerksamkeit verlangt: die Sicherheit digitaler Verschlüsselung.

Leistungsfähige Quantencomputer könnten künftig bestimmte heute verbreitete asymmetrische Verschlüsselungsverfahren gefährden. Diese Verfahren sind ein zentraler Bestandteil digitaler Sicherheit - auch im Finanzsystem. Sie schützen Kommunikation, Transaktionen, Identitäten und Daten.

Dieses Risiko wird häufig mit der Formel " Harvest now, decrypt later " beschrieben. Gemeint ist: Daten könnten bereits heute abgefangen und gespeichert werden, um sie zu einem späteren Zeitpunkt zu entschlüsseln, wenn ausreichend leistungsfähige Quantencomputer verfügbar sind.

Das ist besonders relevant für Informationen, die über viele Jahre vertraulich bleiben müssen. Es betrifft nicht nur aktuelle -Systeme, sondern auch langlebige digitale Vermögenswerte, Vertragsdaten, Identitäten und Infrastrukturen.

Das sich hieraus ergebende Problem ist als Moscas Ungleichung bekannt. Das folgende Beispiel veranschaulicht das Problem. Nehmen wir an, dass eine Kreditbank mit klassischen Verschlüsselungsalgorithmen verschlüsselte Daten überträgt, die 20 Jahre lang vertraulich bleiben müssen.

Quantenresistente Verschlüsselungsverfahren gibt es bereits heute. Man braucht dafür keinen Quantencomputer. Diese Verfahren laufen auf klassischer Hardware und sollen Daten vor künftigen Angriffen durch Quantencomputer schützen.

Die große Herausforderung ist die Umstellung. Kryptografie steckt in zahlreichen Systemen, Anwendungen und Schnittstellen. Eine vollständige Migration auf Post-Quanten-Kryptografie kann daher Jahre dauern. Nehmen wir an, sie dauert fünf Jahre und ist im Jahr 2031 abgeschlossen.

Bis dahin werden Daten noch mit heutigen Verfahren verschlüsselt. Manche dieser Daten müssen aber langfristig vertraulich bleiben - etwa 20 Jahre. Daten, die 2031 klassisch verschlüsselt werden, müssten also bis 2051 geschützt sein. Wenn nun im Jahr 2037 ein Quantencomputer verfügbar wäre, entsteht ein Problem. Angreifer könnten Daten, die sie bereits vorher abgefangen haben, ab 2037 nachträglich entschlüsseln. Dieses Risiko betrifft alle klassisch verschlüsselten Daten, die dann noch vertraulich sein müssen.

In unserem Beispiel sind das Daten aus den Jahren 2017 bis 2031. Daraus ergibt sich ein Risikofenster von 14 Jahren - von 2037 bis 2051.

Genau deshalb ist " Harvest now, decrypt later " so relevant. Die Gefahr entsteht nicht erst, wenn der Quantencomputer da ist. Sie entsteht schon heute, wenn langfristig schutzbedürftige Daten mit Verfahren verschlüsselt werden, die in Zukunft möglicherweise gebrochen werden können.

Diese Daten wären somit in Zukunft nicht vor Entschlüsselung sicher. Sie dürfen daher nicht in falsche Hände gelangen und müssen so gut wie nur möglich geschützt werden.

Es kommt also darauf an, dass Finanzinstitute sich dem Thema zeitnah und mit hoher Priorität annehmen. Angesichts der Komplexität und des langen Zeithorizonts, der für die Umstellung kryptografischer Verfahren erforderlich ist, ist Eile geboten. Eine enge Abstimmung mit Dienstleistern, Infrastrukturanbietern und anderen Stakeholdern sowie die Orientierung an den Empfehlungen des Bundesamts für Sicherheit in der Informationstechnik () und internationalen Standards ist dabei entscheidend.

Hier zeigt sich eine Parallele zur Künstlichen Intelligenz: Auch beim Quanten computing reicht es nicht, allein auf technische Leistungsfähigkeit zu schauen. Entscheidend ist, ob Organisationen in der Lage sind, Risiken frühzeitig zu erkennen, Zuständigkeiten zu klären und Veränderungen kontrolliert umzusetzen.

Besonders gefordert könnten kleinere Institute sein. Sie verfügen häufig nicht über dieselben personellen und technischen Ressourcen wie große Häuser. Wenn sie sich zu spät mit neuen technologischen Anforderungen befassen, kann daraus ein struktureller Nachteil entstehen. Deshalb ist es wichtig, frühzeitig Bewusstsein zu schaffen und gemeinsame Standards zu entwickeln.

5 Was jetzt zu tun ist: Governance, Kryptoagilität und Zusammenarbeit

Was folgt daraus für Banken, Aufsicht und den Finanzsektor insgesamt?

Erstens: Institute sollten technologische Entwicklungen nicht isoliert betrachten. und Quanten computing gehören nicht nur in die -Abteilung. Sie betreffen Strategie, Geschäftsmodell, Risikomanagement, Compliance, Informationssicherheit und interne Revision. Der Vorstand muss verstehen, welche Technologien eingesetzt werden, welche Abhängigkeiten entstehen und welche Risiken damit verbunden sind.

Zweitens: Für braucht es eine robuste Modell- und Daten governance . Dazu gehören klare Verantwortlichkeiten, dokumentierte Einsatzbereiche, Qualitätskontrollen, Tests, Überwachung im laufenden Betrieb und Regeln für menschliche Eingriffe. Besonders sensible Anwendungsfälle sollten nicht allein nach Effizienzgesichtspunkten beurteilt werden. Entscheidend ist, ob sie verlässlich, nachvollziehbar und angemessen kontrollierbar sind.

Drittens: Für Quanten computing ist Kryptoagilität zentral. Damit ist die Fähigkeit gemeint, kryptografische Verfahren bei Bedarf zügig auszutauschen, ohne zentrale Geschäftsprozesse zu gefährden. Institute sollten wissen, welche Verschlüsselungsverfahren sie einsetzen, wo kritische Abhängigkeiten bestehen und welche Daten langfristig besonders schutzbedürftig sind.

Viertens: Zusammenarbeit ist entscheidend. Kein Institut, keine Aufsicht und kein Technologieanbieter können diese Fragen allein lösen. Der Finanzsektor ist vernetzt. Risiken entstehen häufig an Schnittstellen - zwischen Instituten, Dienstleistern, Infrastrukturen und Märkten. Deshalb brauchen wir Austausch, gemeinsame Lagebilder und internationale Koordination.

6 Schluss: Innovation braucht Vertrauen

Meine Damen und Herren,

Künstliche Intelligenz und Quanten computing stehen für zwei unterschiedliche technologische Zeithorizonte. verändert bereits heute Prozesse im Finanzsektor. Quantencomputing ist in vielen Anwendungen noch Zukunft - kann aber schon heute sicherheitsrelevante Vorbereitungen erforderlich machen.

Beide Technologien bieten erhebliche Chancen. Sie können Effizienz steigern, Risiken besser messbar machen, neue Geschäftsmodelle ermöglichen und komplexe Probleme lösbarer machen. Aber sie können auch neue Verwundbarkeiten schaffen: durch Intransparenz, Datenabhängigkeiten, Konzentrationsrisiken, Cyberrisiken, überholte Sicherheitsverfahren oder die Infragestellung von Geschäftsmodellen.

Deshalb sollte unser Ziel nicht sein, Innovation zu bremsen. Unser Ziel muss sein, Innovation tragfähig zu machen.

Für den Finanzsektor gilt: Vertrauen ist ein zentraler Produktionsfaktor. Kundinnen und Kunden, Unternehmen und Märkte müssen sich darauf verlassen können, dass Finanzdienstleistungen sicher, stabil und verlässlich funktionieren. Dieses Vertrauen entsteht nicht automatisch. Es muss auch unter neuen technologischen Bedingungen gesichert werden.

Künstliche Intelligenz und Quanten computing verändern den Finanzsektor nicht über Nacht. Aber sie werden ihn verändern. Die entscheidende Frage ist daher nicht, ob wir uns mit diesen Technologien befassen müssen. Die entscheidende Frage ist, ob wir es früh genug, gründlich genug und verantwortungsvoll genug tun.

Wenn uns das gelingt, können wir technologische Innovation und Finanzstabilität miteinander verbinden. Genau darin liegt die Aufgabe der kommenden Jahre.

Deutsche Bundesbank published this content on November 18, 2026, and is solely responsible for the information contained herein. Distributed via Public Technologies (PUBT), unedited and unaltered, on November 18, 2026 at 08:22 UTC. If you believe the information included in the content is inaccurate or outdated and requires editing or removal, please contact us at [email protected]