KI bei Banken: Diese Beispiele zeigen die Einsatzbreite

Schwerpunkt: Zukunftstechnologien

Täglich berichtet das IT-Finanzmagazin über Zukunftstrends, neue Technologien und deren Einsatzmöglichkeiten. Doch anlässlich des 10. Geburtstags im Juni 2024 wollen wir es von der Branche noch genauer wissen: Welcher Trend sollte am meisten elektrisieren? Nicht verwunderlich, dass Künstliche Intelligenz dabei ganz weit vorne mitspielt. Ein paar Beispiele  von KI bei Banken verdeutlichen dies.

von Rainer Größer, Partner, IBM Deutschland, Practice Leader AI & Analytics

Künstliche Intelligenz (KI) im Finanzsektor wird immer wichtiger und wird die Zukunft der Branche prägen. Banken nutzen bereits seit längerem Technologien wie Large Language Models (LLMs), um ihre Dienstleistungen zu verbessern und individueller auf Kundenbedürfnisse einzugehen. Finanzinstitute müssen also nicht nur mit dem Rechenschieber umgehen können – sondern auch ihre Daten und Compliance fit für die Zukunft machen.

Gerade im beratungsintensiven Finanzgeschäft können LLMs den Kundenservice optimieren und gleichzeitig die Kundenberater entlasten, wie das Beispiel der 1822direkt Bank (Website) 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.

Chatbots entlasten Kundenbetreuer und unterstützen das Marketing

Die Umwandlung komplizierter Daten und Fakten in einfache Sprache nutzt auch eine Privatbank in der Schweiz: Sie greift auf sogenannte Text-to-Speech-Lösungen zurück, um ihren Kunden komplexe Produkte in einfachen Worten oder sogar Podcasts zu erläutern.

KI bei Banken: Lösungen zur Betrugserkennung

KI bei Banken wird 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 die Finanzinformatik, 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 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 Prozent der tatsächlichen Betrugsfälle für die Bearbeitung zu priorisieren. Als nachgelagerte KI-Lösung hilft das System so dabei, Verdachtsfälle effizienter abzuarbeiten. Dabei besonders wichtig: KIWI stellt den Betrugspräventionsteams die Informationen transparent zur Verfügung.

Data Meshs als Basis für KI-Technologien

Um KI-Modelle für solch komplexe Einsatzszenarien zu trainieren, werden im Bankensektor Transaktionsdaten, historische Finanzdaten oder Marktdaten genutzt. Es ist wichtig – und nicht immer ganz einfach – diese Daten in entsprechender Qualität einfach zugänglich zu machen und so zu optimieren, dass die KI-Modelle alle Informationen bestmöglich auswerten können.

Besonders in großen Organisationen muss der Zugriff auf die Daten besser organisiert werden und sie müssen Compliance-konform für den KI-Einsatz nutzbar sein.”

Die Daten müssen zunächst geordnet und anwendungsübergreifend vereinheitlicht werden. Dazu werden 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.

Stets im Blick: Governance und Compliance

Bei allen Vorteilen und Potenzialen von KI für Banken, effizient und wettbewerbsfähig zu bleiben, müssen Risiken ausgeschlossen werden. Automatisierte AI-Governance-Lösungen sind genau dafür konzipiert: Sie eignen sich für regulatorisch anspruchsvolle Branchen wie den Finanzsektor und lassen sich an verschiedenste Geschäftsmodelle und -bereiche anpassen.

KI spielt bereits jetzt eine wichtige Rolle in der Finanzwelt und wird das Banking stark verändern – daher ist sie aus meiner Sicht die Zukunftstechnologie schlechthin. 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.Rainer Größer/dk