Die Zukunft des digitalen Bankgeschäfts

Anders als andere Technologien ermöglicht Künstliche Intelligenz eine grundlegende Veränderung der Finanzbranche. Der Einsatz von KI ermöglicht die Optimierung von Geschäftsprozessen und Schaffung von Mehrwerten für Banken und deren Kunden.

Ausgewählte Aspekte der Integration Künstlicher Intelligenz in das Bankgeschäft.

Partner des Bank Blogs

In der sich rasant entwickelnden Welt der Finanztechnologie steht ein Thema momentan besonders im Fokus: Künstliche Intelligenz (KI). Anders als frühere technologische Trends wie Cloud Computing, Metaverse oder Blockchain verspricht KI, bestehende Prozesse nicht nur zu digitalisieren, sondern sie grundlegend effizienter zu gestalten.

Die Grundlage für erfolgreiche KI-Anwendungen bilden solide Datenstrukturen und eine fortgeschrittene Digitalisierung: Wer KI ernten will, der muss Daten und Digitalisierung säen. Basierend auf diesen Grundlagen kommt es nun darauf an, die vorhandenen Techniken endlich flächendeckend einzusetzen, und sich für die Zukunft des digitalen Bankgeschäfts optimal zu positionieren.

KI hat Tradition im Finanzsektor

Künstliche Intelligenz ist weit mehr als der jüngste Hype um Generative KI. Sie umfasst ein breites Spektrum von Technologien, darunter Wissensrepräsentation, Robotik und maschinelles Lernen (ML). Insbesondere ML hat seit langem seinen Weg in die Finanzwelt gefunden und beweist täglich seinen Wert.

Besonders hervorzuheben sind Anwendungen wie:

• Fraud Detection: Visa nutzt ML-Modelle, die in Echtzeit jede Transaktion auf Anzeichen von Betrug untersuchen. Allein im Jahr 2023 blockierte das Unternehmen 80 Millionen betrügerische Transaktionen im Wert von 40 Milliarden Dollar.
• Algorithmisches Trading: Two Sigma Investments, ein Hedgefonds aus New York, nutzt ML um neben traditionellen Finanzdaten auch alternative Quellen wie Satellitenbilder, soziale Medien oder sogar das Wetter zu analysieren. Dies ermöglicht es ihnen, Korrelationen und Muster zu identifizieren, die menschliche Händler möglicherweise übersehen würden.
• Personalisierung: Wealthfront, ein Vermögensverwalter, bietet ausschließlich digitale Interaktionen an und nutzt ML, um das Risikoprofil, die Anlageziele und Präferenzen der Kunden basierend auf deren Ausgaben- und Sparverhalten zu analysieren und hochpersonalisierte Anlageportfolios zu erstellen.

Diese Beispiele zeigen, dass KI längst keine Zukunftsmusik mehr ist, sondern bereits heute reale Geschäftsprozesse optimiert und Mehrwert schafft.

Mehr als nur ein weiterer Hype

Von früheren technologischen Trends wie Cloud Computing, Metaverse und Blockchain unterscheidet sich KI dabei in vier fundamentalen Aspekten:

Erstens zeichnet sich KI durch ihre breite Anwendbarkeit aus. Nahezu jede Branche und Geschäftsfunktion kann potenziell von KI profitieren, während beispielsweise das Metaverse primär auf virtuelle Realitäten und digitale Interaktionen beschränkt bleibt.

Zweitens lässt sich KI vergleichsweise einfach in bestehende Systeme integrieren, etwa in Form von API-sierten ML-Modellen oder KI-gestützten Assistenten („Copiloten“). Dies geht meist ohne vollständige Umstellung der IT-Infrastruktur einher – im Gegensatz zu Blockchain-Implementierungen, die oft tiefgreifende Änderungen an bestehenden Prozessen erfordern.

Drittens kann KI bereits jetzt eine beeindruckende Erfolgsbilanz vorweisen, insbesondere im Finanzsektor. Demgegenüber hat das Metaverse bisher kaum greifbare Erfolge zu bieten, und auch Blockchain ist weit von einer flächendeckenden Adoption in der Finanzbranche entfernt.

Schließlich, und das ist vielleicht der wichtigste Punkt, besitzt KI die einzigartige Fähigkeit zur kontinuierlichen Selbstverbesserung. Anders als beispielsweise Cloud Computing, das in seiner Entwicklung hauptsächlich von externen Innovationen abhängig ist, kann KI ihre eigenen Methoden auf sich selbst anwenden und sich so stetig weiterentwickeln.

Diese Kombination aus Vielseitigkeit, Integrierbarkeit, bewährter Leistung und Selbstoptimierung macht KI zu einer Technologie, die weit mehr als nur ein vorübergehender Trend ist.

Herausforderungen …

Trotz der vielversprechenden Integration stehen Finanzinstitute vor erheblichen Herausforderungen bei der Umsetzung von KI-Projekten. Eine Studie von RAND Corporation zeigt, dass etwa 80 Prozent der KI/ML-Projekte scheitern – doppelt so viele wie bei IT-Projekten ohne KI-Komponente. Die Autoren der Studie führen dies auf fünf Hauptgründe zurück:

1. Geschäftsanforderungen und KI-Lösungen passen nicht zusammen: Oft wird fehlerhaft kommuniziert, welches Problem die KI eigentlich lösen soll.
2. Überschätzung der KI-Fähigkeiten: KI wird manchmal auf Probleme angewendet, die für die Technologie noch zu komplex sind.
3. Unzureichende Datenqualität/-menge: Viele Organisationen verfügen nicht über die notwendigen Daten in der notwendigen Qualität, um effektive KI-Modelle zu trainieren.
4. Mangel an adäquater Trainingsinfrastruktur: Organisationen fehlt oft die nötige Infrastruktur, um Daten zu verwalten und KI-Modelle effektiv zu trainieren.
5. Technologiegetriebene statt problemorientierter Projekte: Projekte scheitern häufig, weil sie sich mehr auf den Einsatz neuester KI-Technologien konzentrieren, statt auf die Lösung realer Probleme.

Diese Erkenntnisse unterstreichen die Notwendigkeit eines durchdachten und ganzheitlichen Ansatzes bei der Integration von KI-Lösungen im Finanzsektor.

… und deren Bewältigung

Um KI erfolgreich zu integrieren ist ein strukturiertes Vorgehen unerlässlich. Für die Implementierung mit generativer KI lässt sich beispielsweise ein fünfstufiger Prozess skizzieren:

1. Problemidentifikation

Finden Sie ein geeignetes Problem, das sich durch generative KI lösen lässt. Es muss also um die Analyse oder Interpretation von unstrukturiertem Inhalt (z.B. Text) gehen, das Problem muss skaliert auftreten (sonst bräuchten wir keine KI) und nicht durch regelbasierte oder klassische Ansätze lösbar sein (sonst wäre generative KI nur Übermaß).

2. Anforderungsdefinition

Definieren Sie klare Kriterien für die geforderte Ergebnisqualität, Robustheit, Latenz, Durchsatz usw. der KI-Lösung.

3. Prompt-Evaluierung

Testen und optimieren Sie die Prompts für das KI-System. Implementieren Sie Retrieval Augmented Generation (RAG) oder Retrieval Interleaved Generation (RIG). Erst danach sollte Fine-Tuning oder das Training komplett eigener Modelle ausprobiert werden.

4. Pilotphase

Starten Sie mit einer begrenzten Implementierung und lernen Sie aus den Ergebnissen.

5. Skalierung

Weiten Sie den Einsatz des KI-Systems schrittweise aus und nutzen Sie Change Management.

Dieser strukturierte Ansatz ermöglicht es, Projekte mit generativer KI kontrolliert und zielgerichtet umzusetzen.

Zeit zum Handeln

Die Zeit des Redens über KI ist vorbei – jetzt ist die Zeit zum Handeln gekommen. Der Schlüssel für zukünftigen Erfolg liegt in der strategischen Integration von KI in bestehende und neue Geschäftsprozesse.

Entscheidungsträger in der Finanzbranche sind aufgerufen:

• Investieren Sie in die Digitalisierung und in Dateninfrastrukturen.
• Identifizieren Sie konkrete Anwendungsfälle, bei denen KI einen messbaren Mehrwert schaffen kann.
• Implementieren Sie KI-Lösungen schrittweise und lernen Sie aus den Ergebnissen.
• Fördern Sie die KI-Kompetenz auf allen Ebenen Ihres Unternehmens.
• Bleiben Sie offen für Innovationen und neue Entwicklungen im KI-Bereich.

Die Integration von KI ist kein Sprint, sondern ein Marathon. Doch jeder Schritt in Richtung einer KI-gestützten Zukunft ist ein Schritt zur Sicherung der eigenen Wettbewerbsfähigkeit im digitalen Zeitalter.