Banken

Verantwortungsvolle Innovation: So werden KI-Projekte skalierbar

aktualisiert

Ob Kreditbewertung, Betrugsprävention oder Kundenportal – ohne KI geht auch bei Banken fast nichts mehr. Nachdem Milliarden an Investitionen ins Leere gelaufen sind, fragen CFOs aber zunehmend nach dem realen ROI – und die wenigsten KI-Projekte haben etwas Handfestes vorzuweisen.

Vertrauen als Profittreiber

Umfragen bestätigen: Banken sind meist bereit, in KI zu investieren, aber es scheitert immer wieder an der strategischen Einführung. Einer globalen Studie von IDC und SAS zufolge erwarten 60 Prozent der Befragten einen Anstieg der Ausgaben für den KI-Ausbau um bis zu 20 Prozent. Allerdings hat lediglich eine von zehn Banken eine realistisch funktionierende Governance-Plattform aufgebaut, mit der sie vertrauenswürdige KI realisieren kann.

Neben dem Mangel an Frameworks, die Erklärbarkeit und die Einhaltung regulatorischer sowie ethischer Vorgaben sicherstellen, ist das bedingungslose Vertrauen in Blackbox-Technologien wie Large Language Models (LLM) Teil dieser Diskrepanz zwischen subjektiver Wahrnehmung und Realität.

Dabei erhöht der IDC-Umfrage zufolge eine Priorisierung von vertrauenswürdiger Innovation die Wahrscheinlichkeit, dass KI-Projekte profitabel sind. Angesichts der raschen Verbreitung speziell neuer Technologien wie Generative AI und Agentic AI ist es heute noch wichtiger, intern Transparenz dazu herzustellen, was KI-Modelle tatsächlich leisten und wie sie Entscheidungen herbeiführen. Sollen beispielsweise LLMs im direkten Kundenkontakt eingesetzt werden, müssen Banken verstehen, was in der Blackbox vorgeht – und das sowohl der internen Revision als auch dem Regulierer belegen können.

Checkliste für die KI-Skalierung

Nachweislich liefern folgende Faktoren einen wesentlichen Beitrag zu einem ROI bei KI-Projekten:

  • AI Governance: Die Verknüpfung von KI-Anwendungen, -Modellen und -Agenten muss in einer kontrollierten, gesteuerten und sicheren Umgebung stattfinden, damit am Ende des Prozesses die vom Regulierer geforderte Auditierbarkeit gewährleistet ist. Plattformen stellen diese Orchestrierung sicher und sind daher die Voraussetzung für Skalierung.
  • Zentrale Kontrolle: Sinnvoll ist die Etablierung eines Chief AI Officer, der übergreifend über alle Datensilos der Bank wacht. Ohne diese Verantwortlichkeit ist es sehr schwierig, die Übersicht über die Vielzahl von Modellen und Agenten zu behalten.
  • Verantwortung und Innovation: Sicherheit, Transparenz und Erklärbarkeit sollten im Einklang stehen mit dem Anspruch, innovative Anwendungen auf den Weg zu bringen. Nur dann profitieren Banken von smarteren, schnelleren Entscheidungen, die ethischen Ansprüchen genügen.
  • Datenqualität: KI-Anwendungen sind nur so gut wie die Datenbasis. Bevor ein Projekt ins Laufen gebracht wird, sollten Banken dafür sorgen, dass ihre Daten das erforderliche Maß an Qualität aufweisen.
  • Anwendungsfälle klar definieren: Eine Stolperfalle ist, die Technologie um ihrer selbst einzuführen, ohne sich vorab Gedanken zu machen, wo sie echten Mehrwert bieten kann. Der Einsatz von KI ist bei Banken insbesondere sinnvoll in den Bereichen Schaden- und Prozessautomatisierung, Underwriting und Risikobewertung, virtuelle Assistenten und Co-Piloten im Kundenservice, Dokumentenintelligenz und Betriebsautomatisierung sowie Betrugserkennung, Compliance und Monitoring.
  • Human-in-the Loop: In vielen der genannten Bereiche muss immer noch der Mensch eingebunden sein, um dem Ergebnis am Schluss vertrauen zu können. Und nicht zuletzt regulatorische Anforderungen, insbesondere in Europa, zu erfüllen.

Parade-Anwendung: Betrugserkennung mit KI

Zehn Sekunden – so lange haben Banken Zeit, eine Überweisung in Echtzeit komplett abzuwickeln. Das schließt die Betrugserkennung ein, die bei Instant Payment angesichts einer höheren Anzahl von Betrugsversuchen eine noch bessere Erkennungsquote als bisher aufweisen muss. Die HSBC löst das mit einer Infrastruktur, die auf SAS Fraud Management aufbaut. Das Ergebnis: eine signifikant geringere Anzahl von verdächtigen Transaktionen für Millionen Kredit- und Debitkartenkonten. Ohne KI wäre das praktisch nicht machbar.

Die Bank, die mehr als 40 Millionen Kunden in 56 Märkten bedient, setzt Echtzeit-Monitoring und Fraud Management übergreifend in ihrem gesamten globalen Netzwerk ein. Ziel ist es, mit umfassenden Anti-Fraud-Richtlinien und der SAS Lösung das Vertrauen der Kunden in ihre Bank zu stärken, und zwar in zweierlei Hinsicht: effektiver Schutz vor Betrügern und uneingeschränkter Zugang zu Banking-Services.

Die HSBC beobachtet und bewertet mit SAS Fraud Management täglich Millionen von kleinen und großen Transaktionen. Mit SAS ist die Bank in der Lage, alle reibungslos in Echtzeit zu bewerten, selbst bei signifikanten Lastspitzen. Die Aufdeckungsrate für verdächtige Vorgänge, insbesondere an Geldautomaten, sowie die False-Positive-Rate erreichen sehr ambitionierte Zielvorgaben.

Moderne Banken setzen KI aber auch in ganz anderen Aufgabenbereichen ein. Die DKB zum Beispiel hat eine zentrale Plattform für Marketingautomatisierung aufgebaut, über die die gesamte Kundenkommunikation künftig kanalübergreifend orchestriert wird. Damit schafft die Bank die Grundlage für eine hochpersonalisierte Customer Journey bei gleichzeitiger Sicherstellung von Compliance und Governance im KI-Kontext.