Der Einsatz von künstlicher Intelligenz (KI) im Finanzsektor gewinnt zunehmend an Bedeutung. Banken suchen nach innovativen Möglichkeiten, um ihre Dienstleistungen zu verbessern und individueller auf die Bedürfnisse der Kunden einzugehen. Eine vielversprechende Technologie in diesem Bereich sind die sogenannten Large Language Models (LLMs), die mithilfe von KI zum Beispiel Kundenanfragen automatisiert beantworten können. Diese Modelle werden mit großen Mengen passender Textdaten vortrainiert und stellen einen Quantensprung im Vergleich zu bisher im Einsatz befindlichen KI-Modellen dar.

Gerade im beratungsintensiven Finanzgeschäft können LLMs den Kundenservice optimieren und die Kundenberater entlasten, wie das Beispiel der 1822direkt Bank zeigt. Wenn es um produktbezogene Fragen geht, stehen die Kundenbetreuer vor der Herausforderung, viele Anfragen binnen kurzer Zeit zu beantworten. Hierbei unterstützen nun KI-gestützte Chatbots, die rund um die Uhr verfügbar sind. Deren Antworten sind nicht nur textbasiert, sondern sehr oft visuell oder interaktiv gestaltet und helfen den Kunden mit einer verständlichen Schritt-für-Schritt-Anleitung bei ihren Finanzfragen. Die Verwandlung komplizierter Daten und Fakten in einfache Sprache nutzt auch eine Privatbank in der Schweiz, die ihre Kunden mittels KI über neue Finanzprodukte informiert. Mit generativer KI-Technologie ist es zudem möglich, komplexe Finanzberichte in einfache Texte oder durch sogenannte Text-to-Speech-Lösungen sogar in Podcasts für die Kundschaft zu verwandeln. KI wird im Finanzsektor auch zu Sicherheitszwecken eingesetzt, um große Mengen an Transaktionsdaten zu analysieren, verdächtige Muster zu identifizieren und so Betrugsversuche durch Cyberkriminalität frühzeitig zu verhindern. In einem gemeinsamen Prozess hat der IT-Dienstleister der Sparkassen mit IBM und Endanwendern „KIWI“ entwickelt, eine KI-basierte Wissensintegration, die mehr Effizienz bei der Beurteilung von auffälligen Transaktionen ermöglicht.

Phishing ist mittlerweile ein großes Problem, denn legale Transaktionen sind im Fall von Phishing technisch kaum von illegitimen Transaktionen zu unterscheiden. KIWI ergänzt die bestehenden und zuverlässigen Betrugspräventionstools. Stuft das bestehende System eine Transaktion als auffällig ein, prüft das KI-System im Anschluss erneut. KIWI wurde bei der Entwicklung mit anonymisierten Transaktionsdaten trainiert und war in der Lage, 83% der tatsächlichen Betrugsfälle für die Bearbeitung zu priorisieren. Als nachgelagerte KI-Lösung hilft das System so dabei, Verdachtsfälle effizienter abzuarbeiten. Um KI-Modelle für solch komplexe Einsatzszenarien zu trainieren, werden im Bankensektor Transaktionsdaten, historische Finanzdaten oder Marktdaten genutzt. Es ist wichtig, diese Daten in entsprechender Qualität einfach zugänglich zu machen und so zu optimieren, dass die KI-Modelle alle Informationen bestmöglich auswerten können.

Eine weitere Herausforderung ist es, in großen Organisationen den Zugriff auf diese Daten zu verbessern und für den KI-Einsatz nutzbar zu machen. Die Daten müssen zunächst geordnet und anwendungsübergreifend vereinheitlicht werden. Dazu werden Datenplattformen – die sogenannten Data Lakes – hin zu Data Meshs weiterentwickelt. Diese Data Meshs vereinfachen den Datenaustausch zwischen verschiedenen Abteilungen und Anwendungen und ermöglichen so die unternehmensübergreifende Datennutzung. In ihnen werden Daten als Produkte betrachtet und jedes Team ist verantwortlich für die Qualität, Wartung und Bereitstellung der Daten für andere Teams. Die Vorteile der Data-Mesh-Architektur liegen in der erhöhten Flexibilität, Skalierbarkeit und Geschwindigkeit. Das ermöglicht den Teams, autonomer zu arbeiten und Entscheidungen schneller zu treffen.

Bei allen Vorteilen und Potenzialen von KI für Banken, effizient und wettbewerbsfähig zu bleiben, müssen Risiken ausgeschlossen werden. Automatisierte AI-Governance-Lösungen werden für regulatorisch anspruchsvolle Unternehmensanforderungen konzipiert und lassen sich an verschiedenste Geschäftsmodelle und -bereiche anpassen. Eine integrierte Plattform wie zum Beispiel IBM whatsonx.governance sorgt dafür, dass immer nachvollziehbar und transparent ist, dass die KI-Modelle nach gleichen Standards trainiert werden und dem neuen EU AI Act entsprechen. Dieser regelt umfassend die Rahmenbedingungen für den KI-Einsatz in der EU.

KI spielt bereits jetzt eine wichtige Rolle in der Finanzwelt und wird das Banking stark verändern. Eine verantwortungsvolle Nutzung von KI – zum Beispiel durch optimierte Datenqualität und AI Governance – ist daher von großer Bedeutung, um die Vorteile zu maximieren und potenzielle Risiken zu minimieren. Dann wird KI dazu beitragen, die Finanzwelt noch wettbewerbsfähiger und effektiver zu machen.