Was ist KI im Bankwesen?

KI im Bankwesen beschreibt, wie immer mehr Banken KI nutzen, um zusätzliche Arten von Daten zu analysieren, die Entscheidungsfindung zu erleichtern und Cyberkriminalität zu verhindern. Diese neuen Toolsets sind ein Eckpfeiler der digitalen Transformation im Bankwesen und helfen bei täglichen Workflows wie Marketing, Kundenservice, Kreditgeschäft und Betrugserkennung.

Warum KI im Bankwesen?

Bankinstitute stehen unter ständigem Druck, ihre Wettbewerbsfähigkeit zu erhöhen, insbesondere da Erwartungen von Kunden an reibungslose digitalisierte Dienste kontinuierlich steigen. Außerdem müssen sich Banken von der Konkurrenz abheben und gleichzeitig regulatorischen Anforderungen sowie immer raffinierteren Cyberangriffen einen Schritt voraus bleiben. Maschinelles Lernen und generative KI (GenAI) können Banken dabei helfen, auf diese Herausforderungen zu reagieren und sie zu bewältigen. KI im Bankwesen kann neue Toolsets bereitstellen, die es Mitarbeitern erlauben, produktiver zu werden und traditionelle Workflows zu vereinfachen. Dazu tragen ein höherer Automatisierungsgrad sowie die Fähigkeit bei, größere Mengen unstrukturierter Daten zu analysieren und in verwertbare Erkenntnisse zu verwandeln.

Retrieval-Augmented Generation (RAG) für das Bankwesen

Während Banken den potenziellen Nutzen von großen Sprachmodellen (LLMs) wie z. B. ChatGPT evaluieren, um Kunden zu binden und Mitarbeiter mit KI-Chatbots und persönlichen Assistenten zu unterstützen, kann RAG das Haftungsrisiko, das durch ungenaue Antworten entsteht, reduzieren. RAG ist ein innovativer Ansatz für die Bereitstellung von LLMs, bei dem das KI-Modell beim Beantworten von Anfragen auf eine unternehmensspezifische Wissensdatenbank zurückgreift. So können KI-generierte Antworten unter verbesserter Einhaltung geltender Bestimmungen Informationen zu spezifischen Produktangeboten, Bankprotokollen und Branding liefern.

Vorteile von KI im Bankwesen

KI hat das Potenzial, personalisierte Erlebnisse und Produktangebote zu schaffen, Markttrends anhand umfassenderer Datenanalysen besser zu prognostizieren und anomale Verhaltensweisen zu erkennen, die möglicherweise auf einen Cyberangriff oder Betrug hinweisen. Mit erweiterten KI-Toolsets können Banken leichter zusätzliche Kunden gewinnen und halten, intelligentere Entscheidungen treffen sowie Cyberbedrohungen schneller und effizienter verhindern sowie abwehren. McKinsey schätzt, dass GenAI bei vollständiger Implementierung im Bankwesen jährlich für zusätzliche 200 bis 350 Mrd. US-Dollar an Wert sorgen könnte.¹

KI-Anwendungsfälle im Bankwesen

Maschinelles Lernen und GenAI unterstützen verschiedene reale und potenzielle Anwendungsfälle im Bankwesen. Hier sind einige Beispiele:

• Personalisierter Kundendienst und Marketingautomatisierung: Intelligente KI-Chatbots können umfassendere und empathischere Antworten auf Kundenanfragen bereitstellen und Zufriedenheitswerte steigern. Außerdem kann GenAI bei der Entwicklung maßgeschneiderter Outreach-Pläne für potenzielle Kunden helfen und ggf. die Auswirkungen von Mitteilungen verbessern, indem für passende Kanäle, Zeitpunkte und Kontakthäufigkeit gesorgt wird.
• Onboarding von Kunden, Kreditbewertung und Kreditgeschäft: GenAI kann bei der Analyse unstrukturierter Daten und textlastiger Dokumente wie Branchen- oder Nachrichtenberichte helfen, um KYC-Prozesse (Know Your Customer) gründlicher zu gestalten. Zudem können Banken GenAI verwenden, um das Kreditgeschäft auf regelkonforme Weise zu beschleunigen.
• Mitarbeiterproduktivität: GenAI-Dienste für Unternehmen können für eine höhere individuelle Produktivität sorgen. Dazu automatisieren sie aufwendige Aufgaben im Zusammenhang mit der Posteingangsverwaltung, erstellen Besprechungsnotizen und Aktionszusammenfassungen und fassen Hochleistungsanalysen in durchsuchbaren, dialogorientierten Inhalten zusammen.
• Bekämpfung von Geldwäsche (AML) und Betrugserkennung: KI-gestützte Cybersicherheitssysteme können Transaktionsmuster in nahezu Echtzeit analysieren, um verdächtige Aktivitäten zu ermitteln und Betrugserkennungs-, Warn- und Behebungsprozesse für einen reibungslosen, effizienten Betrieb zu automatisieren.
• Confidential Computing: Gehärtete Plattformen nutzen hardwaregestützte Isolation, um Daten auf Arbeitsspeicher- oder VM-Ebene vor Datenschutzverletzungen zu schützen. Darüber hinaus kann Confidential Computing föderiertes Lernen für KI-Modelltraining und -Inferenz unterstützen, sodass verschiedene Banken aus gemeinsamen Datenpools lernen und Muster identifizieren können, während die Vertraulichkeit von Kunden und der Datenschutz gewahrt bleiben.

Die Zukunft von KI im Bankwesen

KI im Bankwesen wird immer ausgefeilter und in der Lage sein, auch komplexere Aufgaben zu erledigen. Damit Banken ihre Wertschöpfung aus KI maximieren können, müssen sie strenge erklärbare und verantwortungsvolle KI-Standards implementieren, um regelkonform zu bleiben und das Vertrauen von Kunden zu wahren.

Da KI-Bereitstellungen immer leistungsfähiger und komplexer werden, müssen sie auch transparenter werden. Nur so lässt sich sicherstellen, dass sie strengen regulatorischen Anforderungen, Kundenerwartungen an Datenschutz und dem erhöhten Bedrohungsprofil im Zusammenhang mit sensiblen Finanzdaten gerecht werden. Mehr als in anderen Branchen müssen Banken Prinzipien erklärbarer KI (XAI) und verantwortungsvoller KI befolgen, um verstehen und kommunizieren zu können, wie ML- und GenAI-Systeme bestimmte Ergebnisse und Ausgaben produzieren. Das ist besonders wichtig für Ermittlungen, die sich auf den Zugang von Kunden zu finanziellen Möglichkeiten (wie Kreditberechtigung) auswirken.