Wie Goldman Sachs eine KI-Nutzungsrichtlinie entwickelt hat, an die sich Mitarbeiter tatsächlich hielten

Bis Mitte 2025 hatte Goldman Sachs seinen internen KI-Assistenten GS AI an die meisten der rund 45.000 Mitarbeiter weltweit ausgerollt. Das Tool, gebaut auf einer Kombination aus eigener Infrastruktur und Modellen von Anbietern wie OpenAI, gab Analysten, Entwicklern und Mitarbeitern im Kundenkontakt Zugang zu generativer KI für das Verfassen von Texten, Zusammenfassungen und Coding-Aufgaben. Das Problem von Goldman war nicht der Zugang. Es war das Verhalten. Mitarbeiter nutzten KI uneinheitlich: einige teilten Kundendaten in Prompts, andere verwendeten private ChatGPT-Accounts für Arbeitsfragen, weil das freigegebene Tool langsamer wirkte, und viele wussten einfach nicht, wo die Grenzen lagen.

Die Compliance- und Technologieteams erkannten, dass sie eine Governance-Lücke hatten. Ein Richtliniendokument, wie gut geschrieben auch immer, würde sie nicht schließen. Was sie brauchten, waren Mechanismen, die das richtige Verhalten zum Weg des geringsten Widerstands machten.

Was sie getan haben

Der Ansatz von Goldman hatte vier konkrete Bestandteile, jeder auf einen anderen Fehlermodus gerichtet.

Erstens haben sie die Richtlinie in das Tool-Interface eingebaut, nicht in ein separates PDF. Wenn ein Nutzer in GS AI einen Prompt beginnt, erscheint ein kurzer kontextbezogener Hinweis, sobald das System Muster erkennt, die auf sensible Daten hindeuten, etwa Kundennamen oder Kontonummern im Eingabefeld. Das ist keine harte Sperre, sondern ein Friction Point, der den Nutzer zum Nachdenken bringt. Der Unterschied ist relevant. Harte Sperren erzeugen Umgehungen. Friction erzeugt eine Pause.

Zweitens haben sie rollenspezifische Trainings durchgeführt statt eines einzigen All-Hands-Briefings. Ein Junior-Analyst im Equity Research erhielt ein 45-minütiges Modul zu drei Szenarien: Zusammenfassungen von Earnings Calls, das Verfassen von Kundenmemos und der Umgang mit vertraulichen Finanzprognosen. Ein Software-Engineer erhielt ein anderes Modul mit Fokus auf Code-Generierung, IP-Fragen und dem Risiko, proprietäre Algorithmen in öffentliche Modell-APIs zu leaken. Das Training war kurz, szenariobasiert und direkt an die Arbeit gekoppelt, die der Mitarbeiter bereits machte. Generische Inhalte zu KI-Ethik wurden auf ein Minimum reduziert.

Drittens nutzte Goldman Verhaltensdaten aus der Plattform, um zu erkennen, wo die Richtlinie scheiterte. Wenn eine größere Zahl von Engineers GS AI für eine bestimmte Aufgabe konsequent umging und stattdessen externe Tools nutzte, wurde das als Signal gewertet, dass das interne Tool eine Lücke hatte, nicht dass die Mitarbeiter eigenmächtig handelten. Dieser Feedback Loop führte im ersten Jahr des breiten Rollouts zu mehreren Produktiterationen, darunter Verbesserungen bei der Geschwindigkeit der Code-Vervollständigung, die ein Haupttreiber für die Nutzung externer Tools gewesen war.

Viertens erhielten Führungskräfte einen einseitigen "AI Conversation Guide", der ihnen helfen sollte, in regulären Check-ins mit ihren Teams über KI-Nutzung zu sprechen, nicht in formellen Review-Settings. Ziel war es, das Gespräch darüber zu normalisieren, welche KI-Verhaltensweisen akzeptabel sind und welche nicht, damit sich offene Fragen nicht zu unausgesprochenen Gewohnheiten aufstauen.

Die Ergebnisse

Goldman hat keine detaillierte externe Aufschlüsselung von Compliance-Kennzahlen veröffentlicht, konkrete Zahlen sollten dort, wo vermerkt, als Näherungswerte gelten. Interne Berichte, die Bloomberg Ende 2025 zitierte, deuteten darauf hin, dass die Nutzung von GS AI so weit gewachsen war, dass das Haus Millionen KI-gestützter Interaktionen pro Woche verarbeitete, bei einem messbaren Rückgang der Mitarbeiter, die nicht freigegebene externe Tools für Arbeitsaufgaben nutzten. Das Compliance-Team meldete einen Rückgang von Vorfällen beim Umgang mit Daten im Zusammenhang mit KI-Nutzung, auch wenn die Ausgangsbasis und die genaue prozentuale Verbesserung nicht öffentlich gemacht wurden.

Was dokumentiert ist: Die Entwickler von Goldman führten einen erheblichen Teil ihrer Produktivitätsverbesserung im Software Engineering auf den KI-Coding-Assistenten zurück, und die Technologieführung des Hauses erklärte am Investor Day 2025 öffentlich, dass KI-Tooling zur Effizienz im Engineering beitrage, in einer Weise, die man in den folgenden 12 Monaten genauer quantifizieren wolle.

Die Verhaltensänderung, die wahrscheinlich am bedeutendsten und am schwersten zu messen ist, ist die Normalisierung des Governance-Gesprächs selbst. Mitarbeiter bei Goldman begannen, die Auswahl von KI-Tools und das eigene Prompt-Verhalten als professionelle Fähigkeit mit echten Konsequenzen zu behandeln, ähnlich wie sie Datenklassifizierung oder Kommunikations-Compliance längst behandelten. Diese Verschiebung entsteht nicht aus einem Richtliniendokument. Sie entsteht aus konsistenter Verstärkung über Tooling, Training und Führungsgespräche.

Was übertragbar ist

Das Goldman-Modell enthält vier Lektionen, die für Organisationen sehr unterschiedlicher Größe gelten.

Die erste: Durchsetzung von Richtlinien und Produktdesign sind dasselbe Problem. Wenn Ihr freigegebenes KI-Tool für die Aufgabe, die Ihre Mitarbeiter tatsächlich erledigen müssen, merklich schlechter ist als die kostenlose Consumer-Alternative, werden sie das kostenlose Tool nutzen. Diese Lücke zu schließen ist eine Governance-Handlung, nicht bloß eine Produktentscheidung.

Die zweite ist Rollenspezifik. Eine Richtlinie, die jeden Mitarbeiter in jeder Funktion abdecken will, produziert Trainingsinhalte, die sich für alle irrelevant anfühlen. Nach Jobfunktion zu segmentieren und Szenarien in der Sprache des jeweiligen Workflows zu schreiben, ist vorab mehr Aufwand und führt zu besserer Compliance. Zwei oder drei wirklich relevante Szenarien schlagen zwanzig generische Prinzipien.

Die dritte ist die Nutzung von Verhaltensdaten als Governance-Signal. Die meisten Organisationen haben Zugriff auf Usage-Logs ihrer KI-Plattformen und behandeln sie ausschließlich als Abrechnungs- oder Kapazitätskennzahl. Die nützlichere Lesart lautet: Wo nutzen Mitarbeiter das freigegebene Tool nicht, und warum? Diese Frage führt zu besseren Richtlinien, besserem Tooling und ehrlicheren Gesprächen darüber, was die Richtlinie den Mitarbeitern eigentlich abverlangt hat.

Die vierte ist die Aktivierung der Führungskräfte. Compliance-Teams kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen nicht jede Interaktion beobachten. Führungskräfte können die richtigen Gespräche in ihren bestehenden Rhythmen normalisieren. Eine Seite konkreter Gesprächsanker, gekoppelt an Szenarien, die dem Team wirklich begegnen, wird eher genutzt als ein detailliertes Governance-Framework.

Der Punkt, an dem sich die meisten Organisationen von Goldman unterscheiden, sind die Ressourcen. Goldman hat eine große Compliance-Funktion, erhebliche Technologieinvestitionen und ein regulatorisches Umfeld, das KI-Governance zu einer echten Priorität gemacht hat, nicht zu einem Nice-to-have. Kleinere Teams in weniger regulierten Branchen müssen härtere Entscheidungen darüber treffen, welchen dieser Hebel sie zuerst ziehen. In diesem Fall ist rollenspezifisches Szenariotraining der richtige Start, weil es am wenigsten kostet und die Denkmodelle am stärksten verändert.

Eine Richtlinie, die Verhalten verändert, ist ein Designproblem, kein Schreibproblem. Goldman hat das früh erkannt und die passende Infrastruktur gebaut. Die Einzelheiten ihres Toolings lassen sich nicht direkt übertragen, aber die Logik, konformes Verhalten zur bequemen Option zu machen, gilt für jedes Team, das KI im großen MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab einsetzt.