KI in Finanzdienstleistungen: Die Zukunft des Finanzwesens gestalten

Finanzdienstleister nutzen KI, um Finanzkriminalität zu erkennen und zu stoppen, das Kundenerlebnis durch virtuelle Assistenten und Personalisierung zu verbessern, das Risikomanagement zu optimieren, den algorithmischen Handel und die Handelsoptimierung voranzutreiben, die Cybersicherheit zu stärken und die Produktivität der Mitarbeiter zu steigern. Zu den wichtigsten Vorteilen von KI im Finanzbereich gehören neue betriebliche Effizienzgewinne, ein verbessertes Kundenerlebnis, eine bessere Risikominimierung, zusätzliche Einnahmequellen und Geschäftsmöglichkeiten, schnellere Entscheidungsfindung und neue Wettbewerbsvorteile. Wenn man KI im Finanzbereich einsetzt, muss man sich mit Risiken bei der Einhaltung von Vorschriften, möglichen Fehlern und Verzerrungen, Datenproblemen, dem Mangel an KI-Fachkräften und Altlasten auseinandersetzen.

Es ist aber nicht einfach, bei der KI-Revolution im Bankwesen und bei Finanzdienstleistungen ganz vorne zu bleiben. Wenn man KI im Finanzbereich einsetzt, muss man die Risiken genau checken und die richtigen Anwendungsfälle für den Anfang auswählen.

Maschinelles Lernen (ML) und analytische künstliche Intelligenz (KI) sind in der Finanzwelt nichts Neues. Sie werden schon für Datenklassifizierung, Prozessautomatisierung, Mustererkennung und Ereignisvorhersage genutzt. Banken, Finanzdienstleistungen und Versicherungen machen 18 % des globalen ML-Marktes aus und gehören damit zu den größten Technologieanwendern, gleich nach IT und Telekommunikation (19 %).

Von Finanzinstituten verwendete KI-Formulare

• Datenanalyse (69 %)
• Datenverarbeitung (57 %)
• Natürliche Sprachverarbeitung (47 %)
• Große Sprachmodelle (46 %)
• Generative KI (43 %)

Die gängigste Strategie für die Einführung von KI und ML bei Finanzdienstleistern ist die App-Entwicklung mit Cloud-basierten KI- und ML-Diensten. Laut S&P Global haben 44 % der befragten Unternehmen diesen Ansatz als ihre Hauptstrategie angegeben. Aktuelle Nutzung von KI-Lösungen in der Finanzbranche:

• Vorgänge (48 %)
• Risiko und Compliance (45 %)
• Marketing (34 %)
• Vertrieb (27 %)

Gen AI bleibt an vorderster Front

Generative KI ist die Schlüsseltechnologie, die die Zukunft der KI im Finanzwesen prägt. Derzeit sind generative KI und große Sprachmodelle in Finanzdienstleistungsunternehmen zu fast 43 % bzw. 46 % verbreitet. Generative KI im Bankwesen:

• Coding-Co-Piloten für eine schnellere Digitalisierung
• Chat-your-Data-Lösungen für demokratisierte Unternehmensdaten
• Erstelle synthetische Daten für das Training von KI-/ML-Modellen.
• Erstellung von Risiko- und Compliance-Berichten
• Persönliche virtuelle Assistenten für Kunden
• Hyper-personalisierte Vertriebs- und Marketingkampagnen
• Automatische Erstellung von Versicherungsansprüchen
• Virtuelle Schadensmeldung bei Versicherungsansprüchen

Analysten von McKinsey schätzen, dass generative KI ein Wachstum von 2,8 bis 4,7 % im globalen Bankwesen und von 1,8 bis 2,8 % im Versicherungswesen bringen wird. Marketing, Vertrieb, Kundenbetreuung und Softwareentwicklung werden wahrscheinlich am stärksten davon betroffen sein.

Verhinderung von Finanzkriminalität

Allein im Jahr 2023 haben Betrugsmaschen Verluste in Höhe von 485,6 Milliarden Dollar verursacht. Im Jahr 2011 waren mehr als 3,1 Billionen Dollar an illegalen Geldern im globalen Finanzsystem im Umlauf. Da 90 % der Finanzunternehmen die Verhinderung von Finanzkriminalität als hohe Priorität ansehen, ist es super wichtig, Datenanalysen für die Erkennung und Prävention zu nutzen. Zwei Drittel der Unternehmen wollen diesen Ansatz nutzen, wobei die Hälfte in KI investiert, um die Kapazitäten zur Betrugserkennung zu erweitern. Zur Betrugsbekämpfung durch KI gehört:

• Big-Data-Analyse zur Nachverfolgung von Ausgaben und Kontoperformance
• Predictive Analytics für die Bewertung von Risiken im Bereich Finanzkriminalität
• Transaktionen/Konten für eine weitere Überprüfung markieren
• Automatisierte Maßnahmen zur Bekämpfung von Geldwäsche (AML) und zur Identitätsprüfung von Kunden (KYC)

Beispiel: Barclays hat eine KI-App eingeführt, die Online-Händler-Transaktionen mit Predictive Analytics verfolgt, um Betrugsmöglichkeiten zu erkennen. PayPal hat KI eingesetzt, um die Zahl der übersehenen Betrugsfälle um das 30-Fache zu senken und gleichzeitig die Hardwarekosten um das Dreifache zu reduzieren.

Virtuelle Assistenten

Mit Gen AI verbesserte KI-gestützte Chatbots bieten rund um die Uhr persönliche Finanzberatungsdienste an. Im Gegensatz zu früheren regelbasierten Versionen ermöglicht Gen AI komplexere Chatbots, die ihre Antworten an direkte und indirekte Kundenanfragen mit menschenähnlichen Interaktionen anpassen. Fähigkeiten des KI-Chatbots:

• Empfehlungen zur Anlageauswahl
• Bankkontenverwaltung
• Beratung zur persönlichen Finanzverwaltung
• Selbstbedienungs-Kundensupport
• Automatisierte Inkassotätigkeit

Hyper-Personalisierung in großem Maßstab

Fast 73 % der Kunden von Finanzdienstleistern wollen, dass die Anbieter ihre persönlichen Bedürfnisse und Erwartungen verstehen. Außerdem würden 62 % den Anbieter wechseln, wenn sie sich unpersönlich behandelt fühlen. KI-basierte Personalisierung ermöglicht:

• Mikro-Segmentierung der Kunden nach Bedürfnissen und Vorlieben
• Personalisiertes Marketing und Produktempfehlungen
• Verhindere Kundenabwanderung durch vorausschauende Analysen.
• Persönliche Anlage- und Finanzberatung

Risikomanagement

Traditionelle Kredit- und Versicherungsentscheidungen basieren auf begrenzten Datensätzen wie Beruf und Bonitätshistorie. KI-Geräte können riesige Datenmengen sammeln und auswerten, um genauere Bonitätsbewertungen und Risikoeinschätzungen zu machen, auch aus nicht-traditionellen Quellen wie Social-Media-Aktivitäten. Anwendungen für das KI-Risikomanagement:

• Unternehmensrisikomanagement mit neuartiger Risikoidentifizierung
• Vorschläge für Strategien zur Risikominderung
• Tools zur Risikobewertung für Kunden bei Investitions- und Kreditentscheidungen

Beispiel: Banco Santander stellt Unternehmenskunden das Kairos-Tool zur Verfügung, um die Entscheidungsfindung zu verbessern.

Handelsoptimierung und algorithmischer Handel

Algorithmen bestimmen schon seit Jahren den Handel. J.P. Morgan hat 2019 tiefe neuronale Netze eingesetzt, damit Programme für den maschinellen Handel die profitabelsten Wege für die Ausführung von Handelsgeschäften finden können. KI-Handelsfunktionen:

• Hunderte von Marktdatenpunkten verarbeiten
• Identifizierung historischer und aktueller Trends
• Analyse unstrukturierter Daten (Nachrichtenberichte) durch natürliche Sprachverarbeitung
• Bewertung von Vermögenswerten anhand historischer und Echtzeit-Infos
• Optimale Vermögensaufteilung für maximale Rendite
• Bewertung des Liquiditätsrisikos
• Erkennung von Marktmanipulationen
• Automatisierung des Hochfrequenzhandels

Cybersicherheit

Datenverstöße kosten im Durchschnitt 4,88 Millionen Dollar, was einem Anstieg von 10 % gegenüber 2023 entspricht. Finanzdienstleister legen Wert darauf, Angreifern immer einen Schritt voraus zu sein und gleichzeitig die Sicherheit, Metriken und Berichterstattung von Drittanbietern sowie die Zugriffsverwaltung zu verbessern. KI-Anwendungen für Cybersicherheit:

• Identitäts- und Zugriffsverwaltung mit Erkennung verdächtiger Aktivitäten
• Endpunktsicherheit und Malware-Erkennung
• Einblicke in Sicherheitslücken in der Cloud
• Erkennung von Bedrohungen und automatisierte Reaktion
• Informationssicherheit und Verhinderung von Datendiebstahl
• Untersuchung von Vorfällen und Optimierung der Reaktion darauf

Moderne Gen-AI-Cybersicherheitstools bieten außerdem:

• Verarbeite die Infos zu Untersuchungsvorschlägen.
• Erstelle eine Dokumentation des Vorfalls.
• Check die Sicherheitslücken im Code.
• Gib Tipps zur Cybersicherheit in einer natürlichen Sprache.

Tools zur Steigerung der Mitarbeiterproduktivität

KI hilft Mitarbeitern, in verschiedenen Bereichen produktiver zu werden, von Risiko und Compliance bis hin zu Kundenservice, Marketing und Vertrieb. Gen AI-Produktivitätsanwendungen:

• Zusammenfassung von Dokumenten (Vorschriften, Berichte, Forschungsergebnisse)
• Vorschläge für Echtzeit-Antworten im Kundensupport
• Hilfe beim Erstellen und Überprüfen von Code-Schnipseln
• Unstrukturierte Datenverarbeitung und -klassifizierung

Weitere Vorteile der KI-Effizienz:

• Visuelle Datenverarbeitung zur Schadensbewertung und Identitätsprüfung
• Intelligente Dokumentenverarbeitung für strukturierte/unstrukturierte Daten
• Spracherkennung für die Triage im Kundenservice
• Predictive Analytics für Empfehlungen zur nächstbesten Maßnahme

Verbesserte operative Effektivität

KI-Modelle automatisieren bisher manuelle Prozesse wie die Datenüberprüfung bei der Kontoeröffnung und die Erstellung von Risiko-/Compliance-Berichten und sorgen so für neue betriebliche Effizienz.

Bessere Kundenerfahrungen

KI-gestützte Personalisierung, virtuelle Assistenten und intelligente Automatisierung sorgen für reibungslose Erlebnisse und beschleunigen gleichzeitig die Backoffice-Abläufe. Das erhöht den Customer Lifetime Value und senkt gleichzeitig die Abwanderungs- und Akquisitionskosten.

Geminderte Risiken

KI schützt Unternehmen vor Reputations- und finanziellen Verlusten durch genaue Betrugserkennung und starke AML/KYC-Rahmenbedingungen. Aber die KI-Implementierung selbst braucht auch Risikominderung.

Neue Einnahmequellen

KI sorgt für ganz neue Geschäftsmodelle, Produkte und Dienstleistungen. Ein gutes Beispiel dafür ist die nutzungsbasierte Kfz-Versicherung, bei der die Prämien durch KI anhand des Fahrverhaltens festgelegt werden.

Schnellere Entscheidungsfindung

Chat-your-Data-Lösungen und leistungsstarke Analysen ermöglichen schnellere Entscheidungen in allen Unternehmensbereichen. Vorhersagemodelle helfen besonders bei Strategien zur Risikominderung und bei Versicherungsentscheidungen.

Wettbewerbsvorteil

KI sorgt für bessere Kundenerlebnisse, niedrigere Betriebskosten durch Effizienzsteigerungen und innovative KI-gestützte Produkte und Dienstleistungen, was Early Adopters Wettbewerbsvorteile verschafft.

Versicherungen Dokumente Abruf Augmented Generation (RAG)

Eine Versicherungsgesellschaft hat die Datenextraktion aus Tausenden von Dokumenten aus dem Jahr 2005 vereinfacht. Die RAG-Lösung hat die Informationsgewinnung mit generativer KI kombiniert, sodass Business-Analysten über natürliche Sprachschnittstellen auf Daten zugreifen können. Ergebnisse: Mitarbeiter finden innerhalb von 38,3 ms die richtigen Abschnitte in der Dokumentation, während sie über eine Million Vektoren durchsuchen, und können so komplexe Anfragen wie Preisvergleiche für Versicherungsnehmerprofile ganz einfach beantworten.

Betrugserkennung und -prävention bei Händlertransaktionen

MasterCard hat sich mit Amazon Web Services (AWS) zusammengetan, um die KI/ML-Kapazitäten zur Verhinderung von Betrug bei Händler-Transaktionen zu verbessern und über regelbasierte Systeme hinauszugehen, um komplexe Betrugstechniken zu bekämpfen. Ergebnisse: Die Betrugserkennungsrate hat sich verdreifacht und die Anzahl der Fehlalarme ist um das Zehnfache zurückgegangen, was die Erfahrung der Händler mit MasterCard-Diensten verbessert hat.

Verbesserung der Kundenerfahrung und vorausschauende Angebote

Die Scotia Bank hat Google Cloud genutzt, um die Kundenerfahrung bei KI-Bankdienstleistungen zu verbessern, und Kundendaten mit drei großen Initiativen in die Cloud-Infrastruktur verschoben:

• Individuelle Produktempfehlungen mit ML-Modellen
• Automatisierung der Kundenerfahrung mit natürlicher Sprachverarbeitung, Spracherkennung und Computer Vision
• Datenvereinheitlichung für bessere Einblicke und Finanzberatung

Portfolio-Optimierung

HSBC hat mit EquBot zusammengearbeitet, um die Portfolio-Performance mithilfe von Big Data zu verbessern. Der AI-Powered US Equity Index (AiPEX) nutzt EquBot AI, um Aktien mit hohem Wachstumspotenzial aus dem Russell 1000 Index auszuwählen. Ergebnisse: AiPEX hat den S&P 500 Index in den letzten zehn Jahren um 123 % übertroffen, weil es wachstumsstarke Aktien mithilfe natürlicher Sprache und unstrukturierter Daten besser identifizieren konnte.

Entwicklerproduktivität

Westfield Insurance hat generative KI über IBM eingeführt, um die Produktivität der Entwickler und die geschäftliche Flexibilität zu steigern. Das hilft bei der Anwendungsentwicklung und der Einarbeitung von Entwicklern in COBOL, Assembler-Lösungen und JCL. Ergebnisse: 80 % weniger Zeit zum Einarbeiten in die Anwendung und 30 % weniger Zeit für die Beschreibung und Dokumentation von Code, während die Modernisierung der Anwendung beschleunigt und die Kosten für das Änderungsmanagement gesenkt werden.

Risiken in Bezug auf die Einhaltung gesetzlicher Vorschriften

Regulierungsbehörden auf der ganzen Welt beschäftigen sich mit dem Einsatz von KI im Finanzbereich. Das Gesetz der EU zur künstlichen Intelligenz ist der Start einer neuen KI-Gesetzgebung, während die Regulierungsbehörden der US-Bundesstaaten versuchen, Schäden für Verbraucher durch KI zu verhindern. Strategien zur Risikominderung:

• Check alle rechtlichen Aspekte, die die Entwicklung und den Einsatz von KI-Modellen betreffen.
• Achte auf eine solide KI-Governance.
• Halte dich an die Prinzipien einer verantwortungsvollen und interpretierbaren KI.
• Richte Ethikräte für KI ein, die regelmäßig alles checken.

Mögliche Fehler und Verzerrungen

Während Halluzinationen die Diskussionen über generative KI dominieren, haben andere KI-/ML-Modelle mit Fehlern und Verzerrungen zu kämpfen. Da KI im Bankwesen mit sensiblen Daten umgeht, die das Leben der Kunden beeinflussen, ist es super wichtig, diese Probleme zu vermeiden. Strategien zur Risikominderung:

• Erstell vielfältige, repräsentative Trainingsdatensätze.
• Überprüfe die Modelle regelmäßig auf Verzerrungen und Fehler und korrigiere die gefundenen Probleme.
• Nutze Methoden zum Training gegen Voreingenommenheit (Neugewichtung, gegnerisches Training).
• Endnutzer über die Einschränkungen von KI-Tools aufklären
• Behalte die menschliche Aufsicht bei.

Herausforderungen bei den Daten

Der Erfolg von KI- und ML-Modellen hängt von der Qualität der Trainingsdaten ab. Datensilos, Datenschutzbedenken und unzureichende Datenmengen stellen jedoch erhebliche Hindernisse dar. Datenprobleme stellen für 38 % der Finanzinstitute die größte Herausforderung dar. Strategien zur Risikominderung:

• Sorg für eine starke Cybersicherheit, um vertrauliche Infos zu schützen.
• Überleg dir, ob du synthetische Daten mit Gen AI für das Modelltraining generieren willst.
• Bring die Datensilos vor dem Einsatz von KI auf eine einheitliche Basis.
• Kümmere dich proaktiv um Datenschutzfragen.

Mangel an Talent

Die Rekrutierung und Bindung von KI-Spezialisten war 2022 die größte Herausforderung im Finanzdienstleistungssektor, fiel aber 2023 auf den zweiten Platz zurück, wobei 32 % der Unternehmen immer noch damit zu kämpfen haben. Strategien zur Risikominderung:

• Entwickle überzeugende Arbeitgeber-Wertversprechen.
• Schätze das Potenzial der Kandidaten und ihre vorhandenen technischen Fähigkeiten ein.
• Pass die geschäftlichen Anforderungen angemessen an die erforderlichen Fähigkeiten an.
• Such nach Talenten aus fernen Ländern und internationalen Talentpools.
• Überleg dir, KI-Talente über Vertragsdienstleister zu holen.

Altlasten

Traditionelle Banken und Versicherungsunternehmen nutzen veraltete IT-Systeme, die im Durchschnitt älter als 10 Jahre sind. Die Implementierung von KI-Tools ist schwierig oder unmöglich, wenn man nicht zuerst die technischen Schulden angeht und die alte Infrastruktur modernisiert. Strategien zur Risikominderung:

• Mach eine umfassende Analyse der digitalen Reife.
• Mach die IT-Umgebung systematisch übersichtlicher.
• Leg genau fest, wie viel Aufwand, Zeit und Geld für die Modernisierung von Altsystemen nötig sind.
• Schaff organisatorische Silos neben Software- und Datensilos ab.

Zu den wichtigsten Trends, die die Zukunft der KI im Bank- und Finanzwesen prägen werden, gehören die Entwicklung hin zu erklärbarer und verantwortungsbewusster KI, die Möglichkeiten der physischen und verhaltensbezogenen Biometrie sowie die Entwicklung des Quantencomputings.

Erklärbare, verantwortungsbewusste KI

Das Vertrauen der Verbraucher ist ein wichtiger Faktor für die erfolgreiche Einführung von KI. Allerdings vertrauen nur 21 % der Finanzdienstleistungskunden Chatbots mit generativer KI. Da ethische Fragen immer wichtiger werden, steigt der Druck, KI nachvollziehbar und verantwortungsbewusst zu gestalten. Laut einer Studie von NVIDIA haben 84 % der Finanzinstitute Maßnahmen umgesetzt, um die Vertrauenswürdigkeit von KI-Modellen sicherzustellen. Allerdings ist erklärbare KI noch eine unausgereifte Technologie, die Lösungen für Kompromisse bei Rechengeschwindigkeit und Genauigkeit zugunsten einer besseren Interpretierbarkeit braucht.

Biometrie

Synthetischer Identitätsdiebstahl entwickelt sich zu einer schnell wachsenden Form der Finanzkriminalität in den USA, wobei generative KI zu einer effektiven Waffe der Täter wird. Die prognostizierten Verluste von fast 23 Milliarden US-Dollar bis 2030 können durch physische und verhaltensbezogene Biometrie überwunden werden. Diese Systeme nutzen KI, um das Kundenverhalten ständig zu beobachten und gründliche KYC- und AML-Prüfungen durchzuführen. Verhaltensbiometrie erstellt einzigartige Kundenprofile basierend auf der Geschwindigkeit der Passworteingabe und den Navigationsmustern in mobilen Apps. Die Gesichtserkennung macht die Authentifizierung und Autorisierung einfach und sicher. Firmen wie MasterCard und BNP Paribas nutzen schon Biometrie für mehr Sicherheit für ihre Karteninhaber.

Künstliche Intelligenz und Quantenfusion (AQ)

Quantentechnologien sind die Zukunft der technologischen Entwicklung und ziehen beispiellose Investitionen der Industrie an. Auch wenn Quantencomputer in den nächsten zehn Jahren noch nicht Realität werden, könnten sie möglicherweise asymmetrische Verschlüsselungsverfahren knacken. Finanzunternehmen wie HSBC arbeiten schon daran, ihr Kryptografie-Management für die Quanten-Kryptografie-Ära fit zu machen. Zusammen mit KI können quanteninspirierte Algorithmen über Monte-Carlo-Simulationen hinaus fortgeschrittenere Marktumgebungen und Portfoliorisikoanalysen ermöglichen. Eine verbesserte AQ-Lernqualität kann die Fähigkeiten zur Betrugserkennung deutlich verbessern.