Exxeta Schweiz

Beispiele, wie wir unterstützen

• BANKING

  30 % Effizienzgewinn durch eine eigene KI-Plattform

  • 30 % Effizienzsteigerung
  • 50 % geringerer Tokenverbrauch
  • Volle Anbieterunabhängigkeit
  Ausgangslage

  • Es fehlte eine einheitliche KI-Plattform. Die Nutzung erfolgte über individuelle Anbieter und Einzelsubskriptionen der Mitarbeitenden.

  • Es bestand weder Überblick über die tatsächliche Nutzung noch Kontrolle darüber, welche Daten an externe Modelle übermittelt wurden.

  • Für die strukturierte Automatisierung von Use Cases und die Messung von Effizienzgewinnen fehlte eine belastbare Grundlage.

  • Gesucht war bewusst keine Lösung etablierter Anbieter, sondern eine eigene Plattform mit voller Gestaltungsfreiheit.

  Beitrag

  • Entwurf und Aufbau einer eigenen Agenten-Harness als Plattformbasis für unternehmensweite KI-Nutzung.

  • Analyse der Sicherheits-, Risiko- und Regulatorikvorgaben mit entsprechender Konfiguration der Plattform.

  • Implementierung und unternehmensweites Deployment inklusive Zugriffs- und Berechtigungslogik.

  • Sukzessive Weiterentwicklung auf Basis strukturiert erhobenen Nutzerfeedbacks.

• BANKING

  Prüfungssichere KI-Governance durch ein strukturiertes Risikomanagement-Framework im Banking

  • Vollständiges KI-Systeminventar
  • Messbare Risikoindikatoren
  • Regulatorische Bereitschaft
  Ausgangslage

  • Der KI-Einsatz war über einzelne Initiativen hinweg gewachsen. Ein zentraler Überblick fehlte: welche Systeme produktiv laufen, wer sie verantwortet und wie kritisch sie sind.

  • Bestehende Modellrisiko- und Auslagerungsrichtlinien waren auf klassische IT ausgelegt und deckten KI-spezifische Risiken wie Bias, Model Drift oder nicht freigegebene Tools nicht ab.

  • Mit näher rückenden regulatorischen Fristen sollte die zweite Verteidigungslinie über die KI-Risikolage berichten ohne definierte Indikatoren, Schwellenwerte oder klare Verantwortlichkeiten.

  Beitrag

  • Strukturierte Bewertung der bestehenden KI-Landschaft entlang von sechs Risikodomänen, mit priorisiertem Gap-Register und Mapping auf die relevanten regulatorischen Anforderungen.

  • Aufbau eines zentralen KI-Inventars mit risikobasierter Klassifizierung und dokumentierter Verantwortung über die drei Verteidigungslinien.

  • Definition einer Kontrollbibliothek mit messbaren Risikoindikatoren und Eskalationsschwellen, verankert in einem Compliance-Freigabeschritt vor dem Deployment.

  • Ausgestaltung von Governance und Berichterstattung auf Vorstandsebene inklusive Eskalationswegen.

• BANKING

  Belegbare regulatorische Einschätzungen für KI-Vorhaben im Finanzsektor

  • Quellenbasierte Wissensbasis
  • Jede Aussage mit Quellenbezug
  • Grundlage für weitere Compliance-Anwendungen
  Ausgangslage

  • Die Bewertung eines KI-Vorhabens im Finanzsektor läuft gegen mehrere Rahmenwerke gleichzeitig: EU AI Act, DORA, NIS2 und DSGVO auf EU-Ebene, FINMA-Rundschreiben und revDSG in der Schweiz, MaRisk und BAIT in Deutschland. Sie überschneiden sich, sind unterschiedlich verbindlich und folgen keiner gemeinsamen Systematik.

  • Welche Anforderungen im Einzelfall greifen, musste manuell recherchiert werden. Das kostete Zeit, und die Herleitung liess sich später kaum rekonstruieren.

  • Ein gewöhnlicher KI-Assistent war dafür nicht brauchbar: Ohne feste Quellenbindung entstehen Antworten, die plausibel klingen und sich nicht belegen lassen.

  Beitrag

  • Aufbau einer quellenbasierten Wissensbasis über die relevanten Rahmenwerke in der Schweiz, der EU und Deutschland. Die Anforderungen sind aus den Primärtexten erschlossen, mit Kontrollen verknüpft und danach eingeordnet, ob sie rechtlich bindend, aufsichtsrechtliche Erwartung oder freiwilliger Standard sind.

  • Entwicklung eines regulatorischen Assistenzsystems, das ausschliesslich aus abgerufenen Quellen antwortet. Jede Aussage verweist auf eine Anforderungs-ID, ein nachgelagerter Prüflauf kontrolliert die Zitate, Unbelegtes wird gekennzeichnet statt ausgegeben.

  • Automatisierter Regulatorik-Radar für Aktualisierungen der Wissensbasis, mit menschlicher Freigabe jedes Vorschlags.

  • Prüffähige Arbeitsergebnisse — Register, Analysen und Management-Unterlagen — mit Audit-Trail über Anfragen, Werkzeugaufrufe und Kosten.

• BANKING

  Messbare KI-Adoption statt Lizenznutzung im Finanzsektor

  • Adoption auf Teamebene messbar
  • Rollenbasierte KI-Kompetenz
  • Shadow AI sichtbar gemacht
  Ausgangslage

  • Nach dem Rollout der KI-Werkzeuge blieb die Nutzung hinter den Erwartungen zurück. Lizenzen waren vergeben, Piloten für erfolgreich erklärt, ein grosser Teil der Mitarbeitenden arbeitete weiter wie zuvor.

  • Die Nutzung blieb an der Oberfläche. Über einfache Anwendungen hinaus wurden weiterführende Funktionen wie Agenten, Konnektoren und Automatisierungen kaum eingesetzt.

  • Es fehlte eine belastbare Messung. Der Fortschritt wurde am Lizenzverbrauch abgelesen, nicht an veränderten Arbeitsweisen oder am tatsächlichen Wertbeitrag.

  • Parallel entstand nicht freigegebene KI-Nutzung im Arbeitsalltag, ohne Überblick darüber, welche Bedarfe dahinterstehen und wie sie sich in ein prüfbares Umfeld überführen lassen.

  Beitrag

  • Adoption Readiness Assessment als faktische Ausgangsmessung vor dem Rollout: KI-Kompetenz, rollenbezogene Fähigkeitslücken, kulturelle Bereitschaft und Verortung von Widerständen.

  • Aufbau rollenspezifischer KI-Kompetenz mit unternehmensweiter Grundlage und vertiefter Befähigung dort, wo KI die Arbeit tatsächlich verändert, einschliesslich Agenten, Konnektoren und Automatisierungen.

  • Verankerung in Führung und Kultur durch Führungssignale, Playbooks und Rituale, die Erprobung legitimieren und informiertes Scheitern besprechbar machen.

  • Aufbau von Champion-Netzwerken und durchgängiger Zwei-Wege-Kommunikation, damit Bedenken sichtbar werden, solange sie günstig zu adressieren sind.

  • Messung von Adoption, Kompetenzentwicklung und Wertbeitrag ab Tag eins, inklusive Sichtbarmachung von Shadow AI, bevor sie zum Blocker wird.