Künstliche Intelligenz (KI) gewinnt zunehmend an Bedeutung in nahezu allen Branchen, insbesondere im Finanzsektor. Banken, Fintechs und Financial Service Unternehmen aller Couleur wollen an der Spitze dieser technologischen Revolution stehen und KI nutzen, um ihre Effizienz, Sicherheit und Kundenerfahrung maßgeblich zu verbessern.
In diesem Artikel möchte ich den aktuellen Stand der KI-Nutzung in der Branche beleuchten, wichtige Anwendungsfälle darstellen und zeigen, welche Unternehmen bereits als Vorreiter agieren.
Der aktuelle Stand der KI-Nutzung in Banken und Fintechs
Vor gut einem halben Jahr habe ich mich gefragt, wie KI zukünftig in Banken und Fintechs angewendet werden könnte. Die Einsatzfelder sind sehr vielfältig – jedoch gibt es bisher wenige überzeugende Anwendungsbeispiele in der Branche. Dies ist auch ein wenig hausgemacht – die hohen regulatorischen Anforderungen führen natürlich beim Einsatz von KI zu intensiven Abwägungen und der Datenschutz steht ganz oben auf der Agenda. Dennoch ist ein großes Potential vorhanden. In der Medienöffentlichkeit gestaltet sich ein gespaltenes Bild – KI wird als Revolution gefeiert und zugleich als Bedrohung für die Menschheit mit dazu passenden Untergangsszenarien. Das führt bei den Menschen auch zu Verunsicherung, da man genauer hinschauen muss wie und in welchem Rahmen KI eingesetzt wird und welche Voraussetzungen dafür am Bankenmarkt gegeben sein müssen.
Viele Menschen in Deutschland haben KI-Anwendungen wie ChatGPT ausprobiert, sind jedoch oft enttäuscht von den Ergebnissen und kehren zu traditionellen Suchmaschinen wie Google zurück. Natürlich muss man der technologischen Entwicklung Zeit geben und viele Sprachmodelle wurden schrittweise optimiert. Darüber hinaus ist dies immer abhängig vom Nutzungsszenario und dem qualitativen Anspruch. Dennoch braucht es Vertrauen und vor allem Erfahrung im Umgang mit KI – als auch den Abbau von Vorurteilen oder pauschalen Bewertungen der gesellschaftlichen Folgen. Ich bin davon überzeugt, dass KI am Bankenmarkt sehr viele Chancen bietet und das Daily Banking grundlegend verändern kann.
Es ist zudem offensichtlich, dass es neben großen Investitionen der privaten Banken, aber auch den öffentlichen Instituten, wie dem Kauf von Nvidia Chips durch den IT-Dienstleister Finanzinformatik der Sparkassen, auch eine perfekt orchestrierte KI-Regulierung durch den EU AI Act gibt. Ein Rahmenwerk, das klar definiert, wie und in welchem Umfang KI eingesetzt werden kann. Ist das eine technologische Bremse?
Nein. Ich denke, es ist vielmehr eine wichtige Grundlage, um Standards zu etablieren, die vor allem im Sinne der Endverbraucher*innen sind.
Werfen wir gemeinsam einen Blick auf für uns offensichtliche Anwendungsfälle und untersuchen wir, welche Unternehmen diese bereits umsetzen.
Dazu sehe ich aktuell sechs strategische Themen, die einen klaren Mehrwert für Banken und ihre Kund*innen haben:
1. Betrugsprävention und –erkennung
Ein zentrales Thema, ist die Betrugsprävention und -erkennung. Laut der Bitkom Bilanz Cyberkriminalität aus dem Jahr 2023 sind 7 von 10 Internetnutzer*innen schon Opfer eines digitalen Betruges geworden. Die frühzeitige systemseitige Erkennung von auffälligen Transaktionen, als auch die Prävention sind dahingehend entscheidende Faktoren. KI-gestützte Systeme sind dahingehend sehr effizient. Sie analysieren große Mengen an Transaktionsdaten in Echtzeit, um ungewöhnliche Muster und potenziellen Betrug rasch zu erkennen. Während traditionelle Systeme oft nicht in Echtzeit arbeiten, lernen KI-Systeme kontinuierlich aus neuen Daten und verbessern so ihre Genauigkeit im Laufe der Zeit.
Bei der KI-gestützten Fraud Prevention analysieren automatisierte Systeme große Mengen an Transaktionsdaten in Echtzeit, um ungewöhnliche Muster und potenziellen Betrug zu erkennen, bestenfalls so schnell wie möglich.
Banken nutzen hier schon länger maschinelles Lernen, um Transaktionsdaten zu analysieren und verdächtige Muster zu erkennen, leider bisher nicht in Echtzeit. Mit KI gefütterte Systeme lernen nun aber kontinuierlich aus neuen Daten und verbessern ihre Genauigkeit im Laufe der Zeit.
Ein Beispiel ist die Analyse von ungewöhnlichen Ausgabemustern oder plötzlichen großen Transaktionen, die auf Betrug hinweisen könnten. Diese Technologien helfen, Betrug frühzeitig zu erkennen und zu verhindern.
Vor allem die nahende Instant Payment Regulatorik ist für die Banken eine echte technologische Herausforderung. Die traditionelle Rot/Gelb/Grün-Fall-Aussteuerung von Betrugsfällen wird in dem gesetzlich bald vorgeschriebenen 10-Sekunden-Zeitfenster für eine Überweisung nicht mehr funktionieren.
So müssen schnellstmöglich selbstlernende Antifraud-Systeme integriert werden, die Kunden das beste Bankingerlebnis bieten und Banken vor absurden Fraudkosten schützen – eine echte Herausforderung.
Die erste Ausbaustufe sind Machine Learning Algorithmen. Die Modelle werden hier trainiert, um verdächtige Transaktionen zu identifizieren, die vom typischen Kundenverhalten abweichen. Diese werden angereichert durch die Analyse von Kundendaten und -verhalten, um unübliche Aktivitäten zu erkennen. Und schlussendlich erkennt ein KI-System diese Anomalie und meldet die, die auf Betrug hinweisen könnten, oft bevor traditionelle Systeme reagieren können.
Beispiele:
- JP Morgan Chase nutzt bereits KI-gestützte Systeme zur Echtzeitanalyse von Transaktionen, um ungewöhnliche Muster zu erkennen, die auf Betrug hinweisen könnten. Durch die Integration smarter Mustererkennung konnte JP Morgan seine Systeme in den letzten Monaten weiter verfeinern.
- HSBC verwendet KI, um immense Mengen an Transaktionsdaten zu analysieren und verdächtige Aktivitäten sofort zu identifizieren. Laut eigenen Angaben mit durchschlagendem Erfolg.
2. Kreditrisikobewertung
Ein weiteres wichtiges Anwendungsgebiet für KI ist die Kreditrisikobewertung. Traditionell basieren Kreditwürdigkeitsprüfungen auf starren Kriterien wie Einkommensnachweisen und Kredithistorien.
KI-Algorithmen nutzen jedoch eine viel breitere Datenbasis, um eine genauere Einschätzung der Kreditwürdigkeit zu ermöglichen. Sie integrieren Daten aus verschiedensten Quellen, einschließlich Transaktionsdaten sowie nicht-traditioneller Datenquellen wie Mobilfunkdaten oder E-Commerce-Aktivitäten. Und sogar Daten aus sozialen Medien werden bereits vereinzelt genutzt, um eine präzisere Bewertung inkl. eines digitalen Fußabdrucks zu ermöglichen.
KI kann hier vor allem verwendet werden, um das sog. Kreditrisiko ihrer Kunden genauer zu bewerten, was Banken und Fintechs hilft, fundiertere Kreditentscheidungen zu treffen, egal ob auf Einzelkundenebene im Privatkundengeschäft oder für große Firmenkunden. Im B2B-Bereich sind die Anforderungen an eine nachhaltigere Wirtschaft gestiegen. Für die Banken bedeutet dies, dass sie bei der Kreditvergabe künftig deutlich mehr Daten abfragen und analysieren müssen, die Rückschlüsse auf geographische Klimamodelle zulassen oder bewerten, wo es ESG-Risiken gibt (u.a. in der Landwirtschaft).
KI kann hier künftig unterstützen, diese Daten schnell und effizient auszuwerten – natürlich datenschutzkonform und auf Basis regulatorischer Anforderungen.
Entscheidend ist in diesem Kontext, dass der Finanzmarkt eine deutlich bessere Datenqualität benötigt und IT-seitig in der Lage sein muss, entsprechende Datenmengen zu managen.
Beispiele für KI-gestützte Kreditrisikobewertung:
- Capital One nutzt Machine Learning Modelle und alternative Datenquellen, um Kreditrisiken präziser zu bewerten. Durch die Integration umfangreicher Datenquellen kann Capital One fundiertere Kreditentscheidungen treffen.
- LendingClub (vergleichbar mit dem hiesigen Auxmoney) analysiert ebenfalls Daten aus verschiedenen Quellen, um die Kreditwürdigkeit von Antragstellern zu bewerten und die Ausfallwahrscheinlichkeit zu prognostizieren.
3. Personalisierte Finanzberatung
Ein weiteres wachsendes Einsatzfeld ist die personalisierte Finanzberatung durch KI-basierte Plattformen. Diese Plattformen analysieren große Mengen an Kundendaten und geben individuell zugeschnittene Empfehlungen. Dies geschieht oft über automatisierte Beratungsdienste wie Robo-Advisor oder virtuelle Assistenten. Denn Banking ist immer persönlich und im Idealfall seitens der Bank auf den Life-Cycle der Kund*innen angepasst. Denn wer will schon Finanzprodukte, die mit der eigenen Lebensrealität nichts zu tun haben. Personalisiertes Banking ist ein Stück weit der heilige Gral – schafft man es passgenaue Angebote zu machen und Mehrwerte für die Kund*innen zu generieren, kann man diese langfristig halten.
In der Kategorie der Robo-Advisor oder dig. Vermögensberatung wie Scalable Capital sehen wir immer mehr den Einsatz von automatisierten Beratungsdiensten, die Portfolios basierend auf den Präferenzen und den Risikoprofilen der Kunden erstellen und anpassen. Dazu passt sehr gut einer der letzten Podcasts von OMR mit dem Scalable Capital CEO Erik Podzuweit.
Betterment ist ein Robo-Advisor aus den USA, der KI zur personalisierten Finanzberatung verwendet. Betterment analysiert die finanzielle Situation der Kunden und gibt maßgeschneiderte Empfehlungen zur Vermögensverwaltung.
Auch die tiefe Analyse von Kundendaten führt zu personalisierten Angeboten, um maßgeschneiderte Produkte und Dienstleistungen anzubieten, z.B. in mobilen Apps. Charles Schwab in den USA bietet z.B. mittlerweile eine Robo-Advisor-Plattform, die KI komplett autark zur Portfolioverwaltung nutzt. Das System erstellt und verwaltet dabei automatisch Portfolios basierend auf den individuellen Präferenzen und Risikoprofilen der Kunden, was hierzulande sicher auch von Scalable, Liqid und Trade Republic genauestens angeschaut wird.
Aber auch die schon oft zitierten und nun ersten veröffentlichten KI-gestützte virtuellen Chatbots (z.B. bei der DKB) beantworten häufig gestellte Fragen, geben Einblicke in das eigene Banking oder lassen via Self-Services Änderungen an Produkten und Funktionen zu. Sie können komplexere Anfragen an menschliche Mitarbeiter weiterleiten und bieten dabei quasi rund um die Uhr Unterstützung bei typischen Customer Service Themen sowie individueller Beratung in allen denkbaren Finanzangelegenheiten.
Der Chatbot Erica der Bank of America ist hier ein weiteres gutes Beispiel: Ein virtueller Assistent, der Kunden bei alltäglichen Bankgeschäften hilft, wie z.B. Kontostandsabfragen, Überweisungen und Kreditkarteninformationen. Erica nutzt natürliche Sprachverarbeitung, um Kundenanfragen zu verstehen und zu beantworten.
4. Automatisierung von Back-Office-Prozessen
Ein riesiges Thema, was in den letzten Monaten überall diskutiert wird, sind Anwendungsfälle zur Automatisierung von zahlreichen internen Aufgaben. Und da ist es fast egal, ob bei Banken, Versicherern oder anderen Industrien.
Durch die konsequente Automatisierung von Routineaufgaben können aber vor allem Banken und Versicherer ihre Effizienz in den papierhaften Prozessen steigern und Kosten nachhaltig senken, weshalb dieser Teil von KI gestützten Services ganz hoch im Kurs bei allen financial service Unternehmen steht. KI-Systeme werden zur Verarbeitung unstrukturierter Daten, zur Dokumentenprüfung und zur Automatisierung administrativer Aufgaben eingesetzt.
Bei der DKB kommen z.B. eine KI-Basierte Rechnungslegung, eine intelligente Dokumentenprüfung und KI-basierte Textbausteine zur Unterstützung des Kundensupports zum Einsatz. Es gibt bei uns ca. 900 Themen, die in den E-Mails enthalten sein können. Ein Deep-Learning-Modell kategorisiert die E-Mails nun z.B. automatisch. Darüber hinaus generiert eine KI entsprechende Textbausteine zur Unterstützung der Hotline-Agents im Gespräch mit den Kunden. Vor allem das Thema Prozessoptimierung ist hier ein entscheidender Effizienzfaktor. In Hinblick auf unsere Produkte haben wir z.B. unsere Antragsstrecke bei der Baufinanzierung deutlich verkürzt. Ziel ist eine Optimierung der Bearbeitungszeit von Finanzierungsanträgen durch ein KI-Modell, dass auf Basis von initial übergebenen Objektparametern schätzt, ob die Bearbeitung eines Antrags durch einen Sachbearbeiter übersprungen werden kann.
Hier kommt z.B. das gute alte Robotic Process Automation (RPA) zur Anwendung, also die Automatisierung repetitiver, also immer gleicher Aufgaben oder Abfragen wie Datenverarbeitung, Kontoabgleich und Dokumentenprüfung. Dies wird nun aber nicht mehr losgelöst als problem solver gesehen, sondern kombiniert mit intelligenter Dokumentenverarbeitung und dem Einsatz von KI, um vor allem die immensen Berge an unstrukturierten Daten in strukturierte Formate zu konvertieren und dann automatisch zu verarbeiten.
Beispiele:
- Die holländische ING implementiert z.B. KI-basierte Lösungen zur Automatisierung von Back-Office-Prozessen. Diese helfen bei der Verarbeitung unstrukturierter Daten und der Automatisierung administrativer Aufgaben überall entlang der Wertschöpfungskette.
- HSBC verwendet KI zur automatisierten Dokumentenerkennung im Kreditvergabeprozess. KI-Systeme scannen und extrahieren hier Daten aus den von Kunden für Baufinanzierung oder Konsumentenkredite eingereichten Dokumenten, wie Gehaltsabrechnungen, Steuerunterlagen und Kontoauszügen. Die extrahierten Daten werden dann automatisch validiert und gegen die Antragsinformationen abgeglichen, um höchste Genauigkeit zu gewährleisten. Durch die Automatisierung der Dokumentenverarbeitung kann HSBC die Bearbeitungszeit für Kreditanträge erheblich verkürzen und schnellere Kreditentscheidungen für ihre Kund*innen sicherstellen.
- Auch die Deutsche Bank setzt KI-Technologien zur automatisierten Dokumentenerkennung ein, insbesondere im Bereich der Unternehmensfinanzierung. Zunächst startete die Deutsche Bank mit dem Einsatz von OCR-Technologie, um Text aus eingereichten Dokumenten zu extrahieren. Nun integrieren sie diese Daten aber in Algorithmen, welche diese Daten automatisch analysieren, relevante Parameter extrahieren und diese schlussendlich für die Kreditbewertung nutzen. Durch die Automatisierung des Prozesses wird die Effizienz mutmaßlich stark gesteigert und menschliche Fehler werden reduziert.
- Wells Fargo in den USA nutzt KI zur automatisierten Dokumentenerkennung im Bereich der Hypotheken- und Kreditvergabe. KI-Systeme verarbeiten hier typische Dokumente wie Einkommensnachweise, Kontoauszüge und andere erforderliche Unterlagen. Automatisierte Systeme extrahieren und validieren dann die Daten, um eine schnelle und genaue Bewertung der Kreditwürdigkeit zu ermöglichen. Auch durch diese Automatisierung wird der Bearbeitungsprozess beschleunigt und die Genauigkeit der Kreditentscheidungen verbessert.
- Die spanische Santander hat vor Kurzem sogar eine End-to-End-Automatisierung für Hypotheken eingeführt, die den gesamten Hypothekenprozess automatisiert, von der Dokumentenerkennung bis zur finalen Kreditentscheidung.
Automatisierung hat natürlich auch zahlreiche Anwendungsfälle, bei denen künstliche Intelligenz die typischen internen Prozesse und Effizienzhebel in Banken im Fokus hat.
Dazu zählen z.B.:
- Risikomanagement: Predictive Analytics: AI kann im Risikomanagement große Mengen an historischen und aktuellen Daten analysieren, um Risiken vorherzusagen und proaktiv zu managen. Hier wird die gesamte Palette der Risiken einer Bank bedient, z.B. Markt-, Kredit- und operationelle Risiken, in Echtzeit sogar die aktuellen Reputationsrisiken. Stress Testing: AI-Modelle können auch viel schneller und aktueller verschiedene Stressszenarien simulieren und ihre Auswirkungen auf die Portfolios einer Bank bewerten, um besser auf wirtschaftliche Unsicherheiten und die typischen Stressszenarien vorbereitet zu sein.
- Regulierungsmanagement und Reporting: Automated Reporting: AI kann helfen, typische verpflichtende Berichte automatisch zu generieren und die Datenintegrität zu überprüfen, wodurch der manuelle Aufwand und die Fehleranfälligkeit reduziert werden.
- Kundensegmentierung und Marketing: Customer Insights: Durch die Analyse von Kundendaten kann AI tiefe Einblicke in das Verhalten und die Präferenzen der Kunden bieten. Dies ermöglicht eine gezielte Kundensegmentierung und personalisierte Marketingkampagnen. Churn Prediction & -prevention: AI-Modelle können vorhersagen, welche Kunden abwandern könnten, und präventive Maßnahmen vorschlagen, um die Kundenbindung zu verbessern.
- Cybersecurity: Threat Detection: AI-gestützte Systeme können Netzwerke kontinuierlich überwachen und verdächtige Aktivitäten oder Anomalien in Echtzeit erkennen, um Cyberangriffe frühzeitig zu verhindern. Incident Response: AI kann helfen, Sicherheitsvorfälle schnell zu identifizieren und automatisch entsprechende Maßnahmen einzuleiten, um den Schaden zu minimieren.
5. Regulierung und Compliance
Allein die DKB ist jährlich im Durschnitt von über 1.000 regulatorischen Neuerungen betroffen. KI hilft Banken dabei, die Einhaltung von regulatorischen Anforderungen effizienter zu überwachen und sicherzustellen. RegTech-Lösungen automatisieren die Überprüfung von Transaktionen und Bank-Prozessen und verhindern potenzielle Compliance-Verstöße durch die Analyse historischer Daten und Trends.
Dabei gibt es erste vernünftige RegTech-Lösungen zur Automatisierung von der Überwachung und Einhaltung regulatorischer Anforderungen durch die kontinuierliche Überprüfung der Transaktionen von echten Kunden und Bank-Prozessen. Auch die Vorhersage und Verhinderung potenzieller Compliance-Verstöße durch die Analyse historischer Daten und neuen Trends bei Betrügern ist ein aktueller Anwendungsfall, also Predictive Analytics in Echtzeit. Und schlussendlich spielt Natural Language Processing (NLP) bei der Analyse regulatorischer Dokumente eine große Rolle, um sicherzustellen, dass alle Bank-Prozesse regel- bzw. gesetzeskonform sind.
Beispiele:
- BNY Mellon aus den USA verwendet laut einer Studie bereits KI zur Unterstützung bei der Einhaltung regulatorischer Anforderungen. KI-gestützte RegTech-Lösungen überwachen hier Endkunden-Transaktionen und Kredit- und Risiko-Prozesse, um sicherzustellen, dass alle regulatorischen Anforderungen erfüllt werden.
6. Marktanalyse und Handelsstrategien
Bei Banken und Asset Managern, die sich auf Investmentbanking und Handel fokussieren analysiert mittlerweile in verschiedenen Instituten eine ausgeklügelte KI die neuesten Marktdaten und entwickelt dabei sogar autarke Handelsstrategien, um Wettbewerbsvorteile in Millisekunden zu erzielen.
Das passiert so z.B. beim algorithmischen Handel mithilfe von KI-basierten Algorithmen, die in Echtzeit Marktbewegungen analysieren, um dann automatisch Trades ausführen. Ebenfalls neu sind sog. Sentiment-Analysen, also die Analyse von Nachrichten, sozialen Medien, Blogs, Foren und anderen Newsquellen, um die Stimmung am Markt zu bewerten und Handelsstrategien schnell darauf anzupassen.
Hier sind die üblichen Verdächtigen natürlich Goldman Sachs, JP Morgan und Morgan Stanley, die bereits früh ins AI-Game eingestiegen sind und bereits KI für algorithmischen Handel und Marktanalysen nutzen.
Aber auch für private Anlagekund*innen bieten sich neue Möglichkeiten. So bestehen bereits Lösungen in Hinblick auf KI-gestützte ETF-Analysen oder dahingehend automatisierte Anpassungen des Depots. Für das Wertpapiergeschäft im Endkund*innenbereich gibt es dahingehend viele Optionen, um die Portfoliosteuerung noch mehr zu optimieren. KI-Systeme analysieren Marktdaten und empfehlen Handelsstrategien. Ein Beispiel dafür ist der Anbieter Capital.com.
Fazit:
Auch wenn wir hierzulande ggf. skeptischer in eine Zukunft mit Unterstützung von KI in Bankprozessen blicken, so allgegenwärtig sind erste Use Cases bereits. Mal wieder sind es vor allem Player aus Übersee, die neugierig Anwendungsfälle suchen und proaktiv ausprobieren.
Und auch in Europa zeigt die Integration von KI in Banken, Fintechs und Financial Service Unternehmen bereits erste echte Impulse und wird auch in Zukunft eine entscheidende Rolle spielen. Von der Betrugsprävention über die Kreditrisikobewertung bis hin zur Automatisierung von Back-Office-Prozessen – KI bietet vielfältige Möglichkeiten zur Verbesserung der Effizienz, Sicherheit und Kundenerfahrung.
Unternehmen, die KI erfolgreich implementieren, werden einen erheblichen Wettbewerbsvorteil erzielen und die Zukunft der Finanzdienstleistungsbranche maßgeblich mitgestalten. Wichtig ist der Wille zur Investition in die eigene IT-Infrastruktur, um KI-Systeme auch sinnvoll nutzbar zu machen. Zurückhaltung ist hier aus meiner Sicht die falsche Strategie.
Die anderen werden vermutlich zu den ewig Gestrigen gehören, die noch immer diskutieren, ob sich dieses Internet durchsetzen wird.
Der Weg zur vollständigen Integration von KI in die Finanzdienstleistungsbranche ist noch lang, aber die bisherigen ersten Schritte sind vielversprechend. Es bleibt spannend zu beobachten, wie sich die Technologien weiterentwickeln und welche neuen Anwendungsfälle in den kommenden Monaten und Jahren entstehen werden.
Der Finanzsektor steht vor einer aufregenden Zukunft, in der KI eine zentrale Rolle spielen wird.