Die 450-Use-Cases-Frage: Was JPMorgans KI-Zahl wirklich sagt

Kaum eine Kennzahl wird in Vorstandspräsentationen europäischer Banken derzeit so häufig zitiert wie die Zahl der Künstliche-Intelligenz-Anwendungsfälle (KI-Use-Cases) von JPMorgan Chase. Sie taucht als Benchmark auf, als Weckruf, als Beleg dafür, wie weit das größte US-Geldhaus dem Rest der Branche voraus ist. Die populärste Variante lautet: 450 KI-Use-Cases in Produktion. Die Zahl ist eingängig, sie ist beeindruckend – und sie ist in dieser Form nicht korrekt. Wer aus ihr die falschen Schlüsse zieht, optimiert die falsche Größe.

Das ist keine Spitzfindigkeit. Die Differenz zwischen einem produktiv laufenden Anwendungsfall und einem Proof of Concept (PoC) in der Pipeline entscheidet darüber, ob eine Bank Wert realisiert oder Aktivität simuliert. Genau an dieser Stelle setzt dieser Beitrag an: Er rekonstruiert, was JPMorgan tatsächlich belegt hat, trennt die belastbaren Zahlen von der Sekundärquellen-Folklore und leitet daraus ab, woran sich europäische und deutsche Institute realistisch messen sollten – und woran nicht.

Die Anatomie einer Zahl

Was JPMorgan tatsächlich gesagt hat

Die Rückverfolgung der Primärquellen ergibt eine klare, aber andere Geschichte als die Schlagzeile. Auf dem Investor Day im Mai 2023 sprach die damalige Global Chief Information Officer (CIO) Lori Beer von mehr als 300 KI-Anwendungsfällen in Produktion, verteilt auf Risiko, Marketing, Kundenerlebnis und Betrugsprävention. Im Aktionärsbrief vom April 2024 nannte Vorstandsvorsitzender Jamie Dimon eine Zahl von über 400 produktiv eingesetzten Use Cases. Beide Aussagen sind durch offizielle JPMorgan-Dokumente gedeckt und beziehen sich ausdrücklich auf den Produktionsstatus.

Die Zahl 450 stammt aus einer anderen Schicht. Sie erscheint im Mai 2025 in einem Bericht der Fachpublikation Tearsheet, der Katie Hainsey, Managing Director für KI, Maschinelles Lernen sowie Data und Analytics bei JPMorgan Chase, zitiert. Dort ist von 450 Proofs of Concept die Rede, die sich in Arbeit befinden – explizit als Experimentier-Pipeline, nicht als Produktionsbestand. Der Sprung von „450 Proofs of Concept in der Pipeline" zu „450 Use Cases in Produktion" ist eine Verdichtung durch Sekundär-Aggregatoren, kein Statement des Hauses. Die saubere Formulierung lautet: über 400 in Produktion zum Stand Anfang 2024, plus rund 450 zusätzliche Projekte in der experimentellen Pipeline zum Stand Mitte 2025.

Diese Selbstbeschreibung aus dem Haus selbst ist bemerkenswert offen. Sie bestätigt, was erfahrene Transformationsverantwortliche wissen: Die Zahl der Anwendungsfälle ist eine Output-Metrik, kein Wertnachweis. Selbst der KI-Marktführer der Branche räumt eine Lücke zwischen technischer Möglichkeit und realisierter unternehmerischer Wirkung ein.

Der Wertbeitrag: belastbar und vorsichtig zugleich

Robuster als die Use-Case-Zählung sind die Wertangaben. Auf dem Investor Day 2023 formulierte Lori Beer ein angehobenes Ziel von 1,5 Milliarden US-Dollar Wertbeitrag bis Jahresende, ausdrücklich von einer früheren Milliarde heraufgesetzt. Auf dem Investor Day 2024 wies JPMorgan KI-Anwendungsfällen einen Wert von einer bis 1,5 Milliarden US-Dollar zu, schwerpunktmäßig in Kundenpersonalisierung, Handel, operativer Effizienz, Betrugsmanagement und Kreditentscheidung. Im Oktober 2025 schließlich präzisierte Jamie Dimon im Fernsehinterview mit Bloomberg die Bilanz.

Die Aussage ist in zweierlei Hinsicht aufschlussreich. Erstens bestätigt sie eine ungefähre Parität von Aufwand und Nutzen – kein Multiplikator, sondern ein ausgeglichenes Verhältnis bei einem KI-Budget von rund zwei Milliarden US-Dollar innerhalb eines Technologie-Etats von etwa 18 Milliarden US-Dollar. Zweitens vermeidet Dimon bewusst die Übertreibung: Er spricht von „about", nennt die Effekte „just the tip of the iceberg" und räumt zugleich Arbeitsplatzfolgen ein. Diese kalkulierte Nüchternheit ist selbst eine Botschaft – sie steht im Kontrast zu den Renditeversprechen, mit denen KI-Initiativen anderswo verkauft werden.

Die eigentliche Maschine: Plattform statt Projektzählung

LLM Suite als Zugangsschicht

Die strategisch unterschätzte Größe ist nicht die Zahl der Use Cases, sondern die Infrastruktur, die sie erst skalierbar macht. JPMorgans internes Generative-KI-Werkzeug, die LLM Suite, ging im Sommer 2024 an den Start und erreichte binnen acht Monaten 200.000 onboardete Nutzer. Nach Angaben von Teresa Heitsenrether, Chief Data and Analytics Officer (CDAO), sind rund 232.000 Mitarbeiter berechtigt, und mehr als die Hälfte nutzt das Werkzeug aktiv. Das amerikanische Branchenmedium American Banker zeichnete die Lösung 2025 als Innovation des Jahres in der Kategorie Generative KI aus.

Entscheidend ist die Architekturidee dahinter. Die LLM Suite ist eine Abstraktionsschicht, die unterschiedliche Sprachmodelle hinter einer einheitlichen, governanten Oberfläche bündelt, statt jede Fachabteilung einzeln experimentieren zu lassen. Derek Waldron, Chief Analytics Officer, beschreibt das Zielbild als „AI hub" für Mitarbeiter. Genau diese Bündelung erklärt, warum bei JPMorgan eine hohe Use-Case-Zahl überhaupt entstehen kann: Nicht weil 450 Teams 450 Insellösungen gebaut haben, sondern weil eine gemeinsame Plattform die Grenzkosten des nächsten Anwendungsfalls senkt.

Wohin die Anwendungsfälle fließen

Die Schwerpunkte der produktiven Anwendungsfälle liegen nach den Investor-Day-Angaben in Betrugsprävention, Marketing-Personalisierung, Handel, operativer Effizienz, Softwareentwicklung und Kreditentscheidung. Im Bereich Softwareentwicklung nutzen nach Investor-Disclosures mehr als 40.000 Entwickler KI-gestützte Coding-Assistenten; die berichteten Produktivitätsgewinne liegen je nach Quelle in einer Spanne von 10 bis 20 Prozent. Im Wealth Management unterstützt eine spezialisierte Variante Beraterinnen und Berater bei der Recherche. Die genauen Prozentwerte einzelner Effekte sind durchgängig mit Vorsicht zu behandeln – sie stammen überwiegend aus Sekundärquellen, nicht aus geprüften Primärtransskripten.

Damit ist der nüchterne Befund umrissen. JPMorgan hat keine magische Use-Case-Fabrik, sondern eine seltene Kombination: eine zugängliche Plattform, eine konsequente Datenarchitektur und eine Governance, die produktiven Einsatz erlaubt, ohne Modellrisiko zu ignorieren. Die Zahl ist das sichtbare Ergebnis dieser Voraussetzungen, nicht ihre Ursache.

Die europäische Perspektive

Der Abstand ist strukturell, nicht numerisch

Für eine deutsche Sparkasse, eine Landesbank oder ein mittelgroßes Institut lautet die relevante Frage nicht „Wie viele Use Cases haben wir?", sondern „Wie viele laufen produktiv und zeigen messbare Ergebniswirkung?". Der von Evident Insights publizierte KI-Index 2025 ordnet JPMorgan zum vierten Mal in Folge auf Platz eins ein. Aufschlussreicher als die Spitzenposition ist die Verteilung: Nordamerikanische Banken erreichen im Durchschnitt rund 20 Prozent höhere Werte als europäische, und nur ING und UBS finden sich unter den ersten zehn. Der Rückstand ist also kein Einzelfall, sondern ein Strukturmerkmal des europäischen Bankensektors.

Die Ursache liegt vor der Use-Case-Zählung. JPMorgan hat über Jahre und mit zweistelligen Milliardenbeträgen in Cloud-Migration, Datenarchitektur-Standardisierung und Modellrisiko-Governance investiert, bevor die Zahl der Anwendungsfälle zur aussagekräftigen Kennzahl wurde. Die Plattformschicht, die 232.000 nicht-technische Nutzer reibungsarm erreicht, und ein durch die CDAO-Funktion geführtes Governance-Modell sind die eigentlichen Differenzierungsmerkmale. Genau diese Voraussetzungen fehlen vielen europäischen Häusern – nicht die Bereitschaft, Anwendungsfälle zu definieren.

Die regulatorische Asymmetrie

Hinzu kommt eine ungleiche Ausgangslage bei der Governance. JPMorgan operiert unter dem US-Aufsichtsrahmen für Modellrisiko, der über Jahre etabliert wurde und auf bestehende Bankpraxis aufsetzt. Europäische Institute stehen zusätzlich vor der gestuften Anwendung der Verordnung über Künstliche Intelligenz (EU AI Act): Für Hochrisiko-Anwendungen – etwa Kreditentscheidung oder beschäftigungsbezogene Systeme – greifen ab August 2026 verschärfte Pflichten, die mit den Anforderungen der Datenschutz-Grundverordnung (DSGVO) zu einem konsistenten Rahmen integriert werden müssen. Daraus ergibt sich eine Asymmetrie: JPMorgan investiert Governance-Bandbreite überwiegend in Deployment, europäische Institute zunächst in Compliance-Infrastruktur. Wer diese Reihenfolge nicht aktiv steuert, riskiert, dass die Compliance-Last die Skalierung dauerhaft verzögert.

Was deutsche Institute jetzt tun sollten

Die Lehre aus dem JPMorgan-Fall ist nicht „mehr Use Cases definieren". Sie ist deutlich unbequemer: Die Voraussetzungen schaffen, unter denen Use Cases überhaupt skalierbar werden. Vier Maßnahmen sind dafür prioritär:

Risiken und offene Fragen

Auch JPMorgans Erfolg ist nicht ohne Vorbehalte zu lesen. Erstens bleibt die Frage der End-to-End-Wirkung offen. Derek Waldron formuliert es intern unmissverständlich: Eine hier gesparte Stunde und drei dort erhöhen individuelle Produktivität, verschieben in durchgängigen Prozessen aber oft nur Engpässe, statt sie aufzulösen. Punktuelle Effizienzgewinne addieren sich nicht automatisch zu unternehmerischem Wert.

Zweitens ist die Vergleichbarkeit der Zählungen über Häuser hinweg gering. BNP Paribas berichtet selbst von mehr als 750 KI-Anwendungsfällen in Produktion – eine höhere Zahl als JPMorgans veröffentlichte Größenordnung. Ob beide dasselbe zählen, ist mangels einheitlicher Definition unklar. Genau das unterstreicht den Kernbefund: Solange „Use Case" kein definierter Begriff ist, ist die Zahl als Benchmark unbrauchbar.

Drittens die Arbeitsplatzfrage. Jamie Dimon hat im Februar 2026 öffentlich erklärt, KI verändere die Belegschaft bereits, und eine erhebliche Umschichtung verdrängter Mitarbeiter angekündigt. Operative und unterstützende Funktionen schrumpften 2025, kundennahe Rollen wuchsen. Für europäische Institute mit anderer arbeitsrechtlicher und mitbestimmungsrechtlicher Realität ist dieser Pfad nicht eins zu eins übertragbar – ein Punkt, der in der Begeisterung für Produktivitätszahlen regelmäßig untergeht.

Die strategische Konsequenz für deutsche Kapitalmarkt- und Bankenakteure ist damit klar umrissen. Die „450 Use Cases" sind weder ein Mythos noch ein direkter Maßstab. Sie sind das sichtbare Ergebnis jahrelanger Investitionen in Plattform, Daten und Governance – und ihre populäre Lesart ist um eine entscheidende Nuance verschoben. Wer die Zahl als Ziel begreift, optimiert das Falsche. Wer die Voraussetzungen dahinter als Ziel begreift, beginnt an der richtigen Stelle. Die teuerste Fehlinterpretation wäre, die Output-Metrik zu kopieren und die Input-Arbeit zu überspringen.

Christian Schablitzki

Strategy & Management Consultant · Agentic-AI-Experte für Finanzinstitute

Über 20 Jahre in Investmentbanking und Derivatehandel, anschließend mehr als 10 Jahre als Berater für Finanzinstitute. Aktuell Partner bei Infosys Consulting in Deutschland. Zertifiziert in Google AI, Generative AI Leader (Google Cloud) und IBM RAG and Agentic AI.

LinkedIn-Profil →