Erfolgsfaktoren für KI-Projekte im Banking

Best Practice zeigt den Weg für Künstliche Intelligenz

Abonnieren Sie den kostenlosen Bank Blog Newsletter

Dank liberaler Vorgaben führen die USA und China in Sachen Banken-KI deutlich. EU und Deutschland hinken hinterher. Wie können europäische Banken KI-Technologien und ihre Regulationskompetenz nutzen, um Wettbewerbsvorteile zu erlangen?

Best Practice für den Einsatz Künstlicher Intelligenz im Banking

Erfolgreiche Projekte zur Einführung Künstlicher Intelligenz im Banking.

Partner des Bank Blogs

Berg Lund & Company ist Partner des Bank Blogs

China ist das Land der unbegrenzten Möglichkeiten – zumindest in Hinsicht auf Künstliche Intelligenz (KI). Gleiches gilt mit einigen Abstrichen für die USA. Kein Wunder, dass eine Studie von Bain & Company aus 2021 die USA gemeinsam mit China beim Einsatz dieser Technologie im internationalen Lead sieht.

Während die einen mit Sieben-Meilen-Stiefeln in Sachen KI voranschreiten, dümpeln laut Studie die EU und Deutschland im Mittelfeld. Ein Grund: Europäische Banken sind durch Regulatorik und Datenschutz förmlich geknebelt. Ein aktuelles Beispiel aus Niedersachen mag als Beleg dienen: Hier wurde im Sommer 2022 das digitale Prestigeprojekte in der genossenschaftlichen Bankengruppe durch Datenschutz komplett eingebremst.

Trotz oder Dank Datenschutz Wettbewerbsvorteile erlangen?

Wie also können europäische Banken KI-Technologien sinnvoll nutzen? Indem sie ihre Kompetenzen in punkto Regulierung in handfeste Wettbewerbsvorteile ummünzen und damit eigene KI-Projekte initiieren. Denn international eingesetzte KI-Algorithmen mit im Standard trainierten Settings funktionieren hierzulande nicht. So kann zum Beispiel eine solchermaßen trainierte KI deutsche Dokumente etwa der Denkmalschutzbehörde schlicht nicht verarbeiten.

Deshalb ist es bei einem solchen Projekt stets auch wichtig zu verstehen, auf welcher Grundlage eine KI Entscheidungen fällt und wie Ergebnisse zustande kommen. Das Entwickeln wettbewerbsfähiger KI-Lösungen ist für Banken dabei natürlich kein Selbstzweck. Vielmehr steht der Nutzen einer solchen Lösung im Vordergrund. Um diesen bei KI-Projekten stets im Auge zu behalten, hat sich ein pragmatisches Vorgehen bewährt.

Erfolgsfaktoren für KI-Lösungen im Bankenumfeld

Zuerst gilt es, ein Team aufzustellen, das KI-Wissen und Bankfachlichkeit miteinander verbindet. In der Praxis besteht ein Projektteam daher häufig aus (externen) KI-Experten und (internen) Bankenspezialisten. Gemeinsam identifizieren sie wirtschaftlich relevante Use Cases. Die jeweiligen Expertisen sichern den Erfolg eines Projektes.

Ist ein Use Case identifiziert, gilt der nächste Blick den Daten. Denn für das erfolgreiche Trainieren eines KI-Algorithmus ist ein hohe Datenqualität essenziell. Mit validen Daten wird der Algorithmus trainiert und so auf eine zukünftige Aufgabe innerhalb des Prozesses vorbereitet. Damit eine KI-Lösung später implementiert und in den Betrieb genommen werden kann, muss konzeptionell und architekturell sichergestellt sein, dass zu jeder Zeit die Vorgaben des Datenschutzes gemäß der Datenschutzgrundverordnung (DSGVO) eingehalten werden.

Setzt man KI-Lösungen in der Prozessoptimierung ein, so ist Nachweis des Nutzens für den Geschäftszweck in der Regel leicht. Allerdings erfordert die Umsetzung eine passende Trägerplattform. Bei der Wahl dieser gilt es, den späteren Betrieb von Anfang an mit im Blick zu halten.

5 Schritte zum erfolgreichen KI-Projekt

Um im Projektverlauf Fallstricken zu entgehen, braucht es ein strukturiertes Vorgehen. Da der Aufbau von Inhouse-KI-Kompetenz viel Zeit kostet, hat es sich bewährt, wenn Banken einen erfahrenen KI-Spezialisten von Anfang mit ins Boot holen. Erfahrung ist bei solchen Projekten ein zentrales Kriterium, da es besonders bei KI wichtig ist, zu entscheiden, welchen Daten tatsächlich benötigt werden. Ein seriöser Partner verfügt darüber hinaus nicht nur über die notwendige Technologie, sondern auch über das nötige Branchen-Know-how, also die nötige Bankenexpertise und Erfahrung mit der Regulatorik.

Um ein KI-Projekt zum Erfolg zu führen, braucht es zudem ein praxisbewährtes Vorgehensmodell. So gliedert der erfahrene KI-Dienstleister Fingentia ein solches Projekt in fünf Schritte:

  1. die Potenzialanalyse,
  2. den Deep Dive,
  3. die Entwicklung des KI-Modells in der Sandbox,
  4. die Implementierung der KI in die bestehende Systemlandschaft,
  5. den Betrieb der fertigen Lösung.

Den Anfang macht somit die Potenzialanalyse des Projekts. Denn die Kostenseite eines KI-Use Cases darf nicht unterschätzt werden. In den großen Verbünden der Regionalbanken bieten Entwicklungsgemeinschaften die Möglichkeit, Synergien zu heben. Die Erfahrung zeigt, dass viele Institute nicht warten können oder wollen, bis eine adäquate Lösung durch den zentralen IT-Dienstleister bereitgestellt wird. Und gerade bei speziellen Use Cases sind derartige Wartezeiten sehr lang.

Best Practice gewerbliche Immobilienfinanzierung

Die Ausgangslage: Während es für die Immobilienfinanzierung im Privatkundengeschäft bereits gute Lösung gibt, sind diese im Firmenkundengeschäft rar. Vor dieser Situation stand die Volksbank Mittweida eG, die eine Vorreiterrolle in der Digitalisierung einnimmt. Sie hat eine praktikable Lösung gesucht, um die Bearbeitung von Anträgen zur gewerblichen Immobilienfinanzierung wesentlich effizienter zu gestalten.

Zielsetzung des KI-Einsatzes

Der Prozess bei der Beantragung einer gewerblichen Immobilienfinanzierung war zuvor komplex, umfangreich und manuell geprägt. Nach einer Analyse fiel die Entscheidung für eine KI-gestützte Automatisierung des Dokumentenmanagements im Rahmen dieses Prozesses. Die Ausgangslage ist gut geeignet für einen KI-Einsatz, da die Daten – eine große Anzahl hochspezifischer Dokumententypen etwa den Denkmalschutz betreffend – vorliegen und nur exportiert werden müssen.

Die KI sollte zum einen automatisiert Dokumente in je vorab definierten Dokumentenklassen erkennen. Zum anderen sollte sie automatisiert relevante Daten aus den Dokumenten auslesen und diese im Rahmen des Beantragungsprozesses bereitstellen. Als Ziel wurde definiert:

  1. Automatisierungsquote von 85 Prozent, Fehlerrate kleiner 0,1 Prozent.
  2. Eine Reduktion der Prozessaufwände und -kosten um mehr als 60 Prozent.
  3. Ein stabiler Betrieb, der die regulatorischen Anforderungen erfüllt.

Umsetzung des KI-Einsatzes

Das Projekt befindet sich auf der Zielgerade. Aktuell wird die KI Engine im Frontend der Bank umgesetzt. Die Lösung geht dann im Januar 2023 live. Die Volksbank Mittweida eG ist sehr zufrieden mit dem Projektverlauf. Nancy Ulbricht, Bereichsleiterin für den Betriebsbereich bei der Volksbank Mittweida eG: „Wir sind aufgrund des bisherigen Projektverlaufs sicher, die ambitionierten Ziele zu erreichen. Das klaren Vorgehensmodell von Fingentia und die frühzeitige Einbindung des KI-Dienstleisters in das Projekt waren dabei sehr hilfreich.“

Fazit: Wettbewerbsvorteile durch KI erzielen

Auch wenn USA und China in Sachen KI klar im Lead sind: KI aus unregulierten Strukturen sind für europäische Banken nicht geeignet. Stattdessen können sie durch ein pragmatisches Vorgehen und Use Cases mit hohem Nutzwert Wettbewerbsvorteile durch einen KI-Algorithmus erzielen, der mit einem Setting für den deutschen Markt trainiert wurde. Die Zusammenarbeit mit einem erfahrenen KI-Dienstleister und dessen praxisbewährtem Vorgehensmodell sichert die Investition und den Erfolg des KI-Projektes ab.

Über den Autor

Dr. Christian Kastner

Dr. Christian Kastner ist Geschäftsführer der Fingentia GmbH. Der promovierte Statistiker war zuvor in unterschiedlichen Funktionen für IT-Dienstleister der Finanzbranche tätig, u.a. als Geschäftsführer der Star Finanz, Leiter des Bereichs Beteiligungsmanagement der Finanz Informatik und als Geschäftsführer der SFirm.

Vielen Dank fürs Teilen und Weiterempfehlen


Mit dem kostenlosen Bank Blog Newsletter immer informiert bleiben:

Anzeige

Get Abstract: Zusammenfassungen interessanter Businessbücher

Kommentare sind geschlossen

Bank Blog Newsletter abonnieren

Bank Blog Newsletter abonnieren