KI-Technologie in Banken – aber welche, wie, wo und mit wem?

Die Entscheidung des Managements ist gefallen: Künstliche Intelligenz soll die Bank der Zukunft gestalten, beginnend mit ersten Anwendungsfällen. Doch mit welchen Ressourcen werden die Anwendungen entwickelt? Welche Partner sollen eingebunden werden? Und in welchem Fachbereich entfalten diese sich nahezu täglich weiterentwickelnden Technologie am besten ihre Wirkung?

Diese und weitere Fragen beschäftigen das C-Level von Banken, nachdem sie sich entschlossen haben, KI als Zukunftstechnologie in ihrer Organisation zu etablieren.

An welchen Stellen Wertschöpfung durch die Einbindung neuer Technologien entsteht, wird stark durch die Strategie einer Bank bestimmt. Je nach Geschäftsmodell und Risikoappetit von Vorständen und Bereichsleitern können KI-Anwendungen auf drei Wertschöpfungsebenen ihre Wirkung entfalten:

1. Als grundlegende Innovation

KI disruptiert das Geschäftsmodell einer Bank und ermöglicht es, durch die Neuschöpfung von Angeboten neue Märkte zu erschließen.

2. Als integriert  Komponente vorhandener Angebote

KI verbessert die Produkte und Leistungen sowie die damit verwobenen Prozesse signifikant und stellt so einen Wettbewerbsvorteil dar.

3. Als Werkzeug erhöhter Arbeitsproduktivität

Standard-KI-Werkzeuge, wie ein Coding-Copilot oder intelligentes Wissensmanagement, etablieren sich als wichtige Säule gegen absehbare Personalengpässe.

Die Wahl der passenden Wertschöpfungsebene ist entscheidend für einen erfolgreichen KI-Start. Um fundierte Entscheidungen zu treffen, müssen Banken zunächst alle potenziell relevanten KI-Opportunitäten systematisch prüfen.

Ein zentraler Aspekt dabei sind die Technologieauswahl und die Frage: Soll Machine Learning oder ein Sprachmodell zum Einsatz kommen? Denn der Erfolg einzelner Anwendungsfälle hängt nicht nur von der Organisationsstruktur der Bank ab, sondern auch von der gewählten KI-Methodik.

Daher sollten Banken sowohl Erfolg versprechende Business-Cases identifizieren als auch gezielt analysieren, welche KI-Algorithmen sich für die jeweiligen Anwendungsfälle eignen.

Nachfolgend geben wir Ihnen einen Überblick über aktuelle KI-Entwicklungen und zeigen, in welchen Fachbereichen Ihrer Bank diese Technologien einen messbaren Mehrwert schaffen.

Zunächst ist festzuhalten, dass es zwei Ausprägungen künstlicher Intelligenz gibt: generative KI, wie große Sprachmodelle von Anbietern wie „GPT“, und klassische Machine-Learning-Modelle, die im Endeffekt komplexe statistische Modelle abbilden.

Seit Anfang dieses Jahres kombinieren sogenannte „Deep-Thinking-Modelle“ diese beiden KI-Ausprägungen. Das bedeutet für Banken, dass es für viele KI-Piloten nicht mehr „entweder-oder“ heißt. Vielmehr werden durch den Einsatz dieser neuartigen Sprachmodelle nun auch logische Schlüsse möglich, für die bis vor wenigen Monaten noch Machine-Learning-Modelle eingesetzt werden mussten. Das senkt den Aufwand und die Eintrittshürde für KI-Pilotprojekte.

Mit Blick auf die bekannte Bankenorganisation bietet künstliche Intelligenz besonders in zwei Bereichen einen großen Mehrwert: Sowohl in der Vertriebsbank als auch in der Produktionsbank ergeben sich Produktivitätschancen.

Die Steuerungsbank hingegen ist – mit Ausnahme von Fraud-Detection-Modellen im Zahlungsverkehr – auch ohne den Einsatz von KI-Modellen gut aufgestellt.

Verbundlösungen für KI-Anwendungsfälle in der Vertriebsbank

Im direkten Kundenkontakt werden Banken zunehmend mit der Erwartung nach maßgeschneiderten Finanzprodukten und persönlicher Betreuung konfrontiert. KI-gestützte Analysetools wie Next-Best-Offer-Technologien unterstützen die Berater dabei, individuelle Wünsche zu erkennen und passende Produkte zu empfehlen.

Im Gegensatz zum gängigen Lebensphasenmodell können Finanzdienstleister damit auf die tatsächlichen Bedürfnisse ihrer Kundinnen und Kunden eingehen – zum Beispiel, wenn zum 30. Geburtstag doch andere Themen als das Eigenheim im Vordergrund stehen sollten.

Neben den von den großen IT-Dienstleistern Finanz Informatik (FI) und Atruvia bereits realisierten Chatbots, wie zum Beispiel der S-Copilot der FI, sind im persönlichen Produktvertrieb vor allem Echtzeitassistenten von Bedeutung. Sie ermöglichen es den Beratern, Gespräche zielgerichtet vor- und nachzubereiten und im laufenden Austausch passgenaue Informationen abzurufen, gehören allerdings noch nicht zum Portfolio von Atruvia und Finanz Informatik. Dies zeigt jedoch, dass grundlegende KI- Anwendungen bereits heute – zwei Jahre nach dem Start von ChatGPT – von den IT-Verbundpartnern bereitgestellt werden können.

Spezialisierte Anwendungen lassen dagegen noch auf sich warten. Die gute Nachricht: Für Prozesse in der Vertriebsbank ist die Dringlichkeit in der Regel gering, sodass für Use-Cases in diesem Bereich auch auf Angebote im Verbund gewartet werden kann. Allerdings können diese oft nur mit großer zeitlicher Verzögerung integriert werden.

Dringender Handlungsbedarf bei KI-Lösungen in der Produktionsbank

In der Produktionsbank stehen das Risikomanagement sowie das Einhalten von Governance und Compliance im Mittelpunkt. KI-Algorithmen analysieren Markttrends in Echtzeit und identifizieren potenzielle Risiken. Gleichzeitig stellen GenAI-Anwendungen in Verbindung mit internen Wissensdatenbanken sicher, dass die immer komplexer werdenden Regularien berücksichtigt werden. Der Ab- gleich von Vorschriften ist vor allem bei Verträgen und Arbeitsordnungen notwendig.

Ein konkretes Beispiel für den Abgleich interner Verträge mit der aktuellen Regulatorik ist die Prüfung von Bestandsverträgen auf DORA-Konformität, insbesondere nachdem das Gesetz nun in Kraft getreten ist. Viele Institute stellen bereits heute fest, dass sie die notwendigen Abgleiche im Bereich des Auslagerungsmanagements aufgrund großer personeller Engpässe auch nach Inkrafttreten der DORA erst Ende 2025 fertigstellen können.

Für KI-Dienstleistungen wie den Vertragsabgleich besteht daher die Notwendigkeit, kurzfristig KI-Produkte zu entwickeln. Hier müssen Banken die Initiative ergreifen und selbst oder mit Partnern eine cloudbasierte KI-Lösung konzipieren. Das Warten auf eine KI-Lösung des Verbundpartners ist hier kaum möglich.

Ob Eigenentwicklung oder Verbund – KI hängt stark von der Institutsgröße ab

Letztlich ist die Dringlichkeit des Einsatzes einzelner KI-Anwendungen durch das Finanzinstitut individuell zu bewerten. Wichtige Entscheidungskriterien sind unter anderem regulatorischer Handlungsdruck, starke Personalengpässe oder ein anstehender Transformationsprozess. Kann mittel- bis langfristig geplant werden, empfiehlt es sich, auf den Verbundpartner zu warten.

Neben der Dringlichkeit von KI-Initiativen haben Banken je nach Größe unterschiedliche Prämissen, die die Entscheidung für oder gegen den Betrieb von KI-Anwendungen über den IT-Verbundpartner maßgeblich beeinflussen.

Große Banken verfügen in der Regel bereits über um- fassende KI-Systeme, die von den entsprechenden Abteilungen intern betrieben werden. Ein Betrieb über den Verbund ist daher nicht notwendig. Zu den in großen Instituten bereits mehrheitlich implementierten Anwendungen zählen sowohl die Betrugsprävention als auch der KI-gestützte Kundenservice.

Mittlere und kleinere Banken verfügen hingegen in der Regel nicht über dedizierte KI-Teams für die Entwicklung und den Betrieb von KI-Anwendungen. Aus diesem Grund ist der Betrieb im Sparkassen- oder Genossenschaftsverbund durchaus attraktiv.

Entscheidungsträger sollten bei der Mehrzahl ihrer KI-Initiativen in Abstimmung mit anderen Instituten vorgehen und prüfen, wo sie neuartige Sprachmodelle mit logischen Komponenten verwenden können. Ein gutes Beispiel hierfür ist der S-Copilot der FI, ein für alle Sparkassen einheitlicher und fachspezifischer Chatbot.

Dringende Initiativen, insbesondere in der Produktionsbank, sollten jedoch mit Unterstützung externer Partner unabhängig und schnell in der Cloud umgesetzt werden. Denn die IT-Verbundpartner müssen in der Regel Anforderungen unterschiedlicher Banken zunächst harmonisieren und entsprechende Releaseplanungen mit signifikantem Vorlauf organisieren.

Rasante KI-Entwicklungen bieten Kooperationsmöglichkeiten

Zwar sind die Strategien und Wertschöpfungsopportunitäten für KI je nach Bank grundsätzlich verschieden – auf einer Shortlist renditestarker KI-Initiativen befinden sich für kleine, mittelgroße und große Banken aber weiterhin ähnliche Anwendungsideen. Mit diesem Hintergrund sollten neben Preissenkern, wie neuartige, logisch agierende Sprachmodelle, insbesondere Synergieeffekte durch kooperative KI-Entwicklungen im IT-Verbund ins Auge gefasst werden.

Die eigenständige Entwicklung von KI-Anwendungen ist dann sinnvoll, wenn eine Bank entweder

• aufgrund ihrer Größe ein eigenes Data-Science-Team betreibt oder
• ein KI-Anwendungsfall mittelfristig größere personelle Lücken schließt und noch nicht vom IT-Verbundpartner eingeplant wurde.

Somit sind insbesondere KI-Anwendungsfälle in der Produktionsbank prädestiniert für die eigenständige Umsetzung durch kleine und mittlere Banken.

Kennen Sie schon unseren neuen KI-Podcast?