Generative KI scheint in aller Munde. Der Hype um die wachsende Zahl „kreativer“ KI-Lösungen – die derzeit berühmteste ist wohl ChatGPT – zeigt, dass die Bedeutung von KI im Bewusstsein der breiten Öffentlichkeit angekommen ist. Auch im Bereich Banking und Finance hat KI-Technologie ihre Leistungsfähigkeit schon bewiesen. Gerade größere Banken nutzen schon etliche KI-Anwendungen, ob bei der Risikoeinschätzung im Kreditwesen oder in Know-your-Customer-Prozessen beim Onboarding von Neukunden. Auffällige Lücken beim KI-Einsatz gibt es vor allem in zwei Bereichen. So ist im Kerngeschäft der Vermögensberatung, der investitionsbezogenen Planung, der Big Bang der KI-Nutzung bislang ausgeblieben. Zum anderen tun sich besonders kleinere und mittelgroße Finanzinstitute noch schwer, KI-Projekte umzusetzen.

Es ist gar nicht so schwer, die Hürden für einen erfolgreichen KI-Einsatz auszuräumen – vorausgesetzt, das Finanzinstitut beherzigt die folgenden sechs Grundsätze.

1. Eine solide, unternehmensweite ­Strategie definieren

Banken und Vermögensberater verfügen selten über das Know-how, um zu bestimmen, wo genau in ihrem Haus der Einsatz von KI-Technologie sinnvoll ist – und in welcher Form. Gleichzeitig sind die potenziellen Vorteile aber so groß, dass KI-Nutzung ein strategisches Thema ist, das auf Vorstandsebene angesiedelt sein muss. Um den KI-Einsatz sinnvoll zu priorisieren, empfiehlt es sich, dass die Führungsebene des Finanzinstituts bereits für die Definition der KI-Strategie auf externe Unterstützung zurückgreift.

Gerade kleinere und mittlere Finanzinstitute benötigen nicht nur bei der Strategiekonzeption externe Unterstützung, sondern auch bei Projektierung, Umsetzung und Betrieb der Lösung. KI-Technologie ist komplex und braucht sehr viel einschlägiges Fachwissen. Mit den eigenen Ressourcen eines Instituts ist dies in der Regel nicht zu bewältigen. Darum bewahrt der Rückgriff auf kompetente Technologiepartner in KI-Projekten vor unliebsamen Überraschungen.

KI eröffnet enorme Potenziale in allen Branchen. Für Finanzinstitute ist es allerdings entscheidend, diese technologischen Möglichkeiten in den Kontext des Banking- beziehungsweise Vermögensberatungs-Business zu übersetzen. Wenn ein Institut sich auf Data Scientists verlässt, die nicht zugleich über Branchenerfahrung verfügen, kann dies ein KI-Projekt leicht zum Scheitern bringen. Es braucht beides: KI- und Banking-Know-how.

Ein Monitoring der KI-Ergebnisse anhand zuvor definierter KPIs empfiehlt sich nicht nur unter dem Aspekt der Qualitätssicherung, sondern auch wegen regulatorischer Anforderungen. Die EU-Kommission hat beispielsweise den „AI Act“ auf den Weg gebracht, um eine regulatorische Basis für den KI-Einsatz in der EU zu schaffen. Der AI Act fordert unter anderem Transparenz über die KI-Nutzung und eine menschliche Kontrolle der eingesetzten Modelle und ihrer Ergebnisse. All dies soll sicherstellen, dass eine KI stets vorurteils- und diskriminierungsfrei arbeitet. Compliance wird in Zukunft beim KI-Einsatz sehr relevant. Entsprechend sollten Finanzinstitute ihre Compliance- und Rechtsabteilung frühzeitig in die KI-Strategie und ‑Priorisierung involvieren.

Aus Anwenderperspektive ist es immer sinnvoll, die KI-Technologie so in Prozesse einzubinden, dass sie im Relationship Management ohne zusätzlichen Aufwand handhabbar wird: als Embedded AI. Nicht selten bedeutet dies zugleich, dass das Finanzinstitut seine KI-Lösung „as a Service“ bezieht. Gerade für kleinere und mittlere Unternehmen ist dies vorteilhaft. Denn sie verfügen nicht über die Möglichkeiten, um etwa zu beurteilen, ob der Machine-Learning-Algorithmus die relevanten Nachrichten auch nach einiger Zeit noch zuverlässig identifiziert – oder ob sich nach und nach in die Ergebnisse vielleicht Fehler und Vorurteile einschleichen. Schon aus Perspektive der Qualitätssicherung ist darum ein „AI as a Service“-Ansatz sinnvoll. Zudem zeigt die rasante Entwicklung von ChatGPT, dass im Bereich des Natural Language Processing in kurzer Zeit große Fortschritte erzielt werden. Entsprechend oft sollte man Embedded AI-Lösungen, die NLP-Algorithmen verwenden, aktualisieren.

In vielen Finanzinstituten steht einer umfassenden KI-Nutzung die Tatsache im Weg, dass es statt eines großen Datenpools nur verstreute Daten gibt, die in verschiedenen Systemen isoliert sind – eine Landschaft von Teichen statt eines großen Data Lake. Der unternehmensweite KI-Erfolg hängt auch davon ab, dass es gelingt, die Komplexität einer multidimensionalen Datenintegration in den Griff zu bekommen. Angesichts der Größe eines solchen Projekts braucht es dafür ein Team mit einschlägigem Know-how, mit Erfahrung in der Finanzbranche und dem Wissen über regulatorische Anforderungen und Markttrends.

Fazit

Gerade kleinere und mittelgroße Finanzinstitute agieren bei der Nutzung von künstlicher Intelligenz oft noch zu zögerlich. Dabei ist mehr Mut durchaus angebracht. Die Hürden sind überwindbar. Und der potenzielle Nutzen von KI-Lösungen ist immens – gerade bei der Entlastung der Relationship Manager von Banken.