Skip to main content
main-content
Top

06-12-2021 | Künstliche Intelligenz | Interview | Article

"KI muss Geld verbrennen dürfen"

Author: Angelika Breinich-Schilly

6 min reading time
share
SHARE
print
PRINT
insite
SEARCH
Interviewee:
Jan Enno Einfeld

ist Geschäftsführer von Finiata, einem Fintech mit Fokus auf kurzfristiges Liquiditätsmanagement für Kleinunternehmen, Selbstständige und Freiberufler.

Warum deutsche Banken und Sparkassen beim Thema Künstliche Intelligenz häufig nur mit Tippelschritten vorangehen, anstatt einen schwungvollen Satz zu machen, erläutert Experte Jan Enno Einfeld im Gespräch mit Springer Professional.

Springer Professional: Laut Bain gelten die US-Banken beim Einsatz von Künstlicher Intelligenz als Vorreiter. Wo genau setzen die Institute denn KI ein und welche Vorteile bringt ihnen das?

Jan Enno Einfeld: Amerikanische Finanzdienstleister haben bereits früh den strategischen Wert von Künstlicher Intelligenz erkannt und sie in die eigenen Häuser integriert. Auch getrieben durch den Boom der Digitalisierung und des Online-Handels im Privatkundensegment. Künstliche Intelligenz wurde in den Vereinigten Staaten daher früh für die direkte Interaktion mit den Kunden eingesetzt, nicht nur für Aufgaben im Backoffice. Das umfasst Chatbots, Virtual Agents oder intelligente 360-Grad-Kundenplattformen. Die Bank of America setzt beispielsweise seit Jahren überaus erfolgreich ihren virtuellen Agent Erica ein. Dieser kommuniziert und hilft Kunden direkt und hat bis dato Millionen Anfragen beantwortet. Durch den massiven Einsatz von KI kennen die Banken ihre Kunden in- und auswendig - und können entsprechend schnell maßgeschneiderte Angebote machen. Sie erreichen so eine hohe Kundenzufriedenheit sowie eine enorme Effizienz und Geschwindigkeit im Arbeitsalltag.

Editor's recommendation

2021 | OriginalPaper | Chapter

Künstliche Intelligenz im Bankwesen – Chancen und Herausforderungen personalisierter Kundenangebote

Banken stehen weltweit vor vielfältigen Herausforderungen; der zunehmende Kostensenkungsdruck sowie veränderte Kundenerwartungen sind dabei zentrale Themen, die durch neue Technologien und Wettbewerber getrieben werden. Künstliche Intelligenz (KI) bietet das Potenzial, Kosten zu reduzieren und innovative Kundenlösungen zu entwickeln.

Nun sind deutsche Banken nicht ganz untätig. Um unter anderem für Firmenkunden eine neue Art von Finanzdienstleistungen zu entwickeln, ist die Deutsche Bank eine strategische Partnerschaft mit der Google Cloud eingegangen. Auch die Sparkassen lassen sich bei der Firmenkundenberatung von KI unterstützen. In welchen Bereichen sind hiesige Geldhäuser noch mit KI unterwegs? Haben Sie Beispiele?

Selbstverständlich waren Banken in Deutschland nicht untätig. Ihren KI-Bemühungen fehlte in der Vergangenheit - und noch heute - aber oft die strategische, einheitliche Komponente. Statt zu überlegen, wie sie Künstliche Intelligenz in ihrer gesamten Wertschöpfungskette gewinnbringend einbringen können, fokussieren sich deutsche Finanzdienstleister oft auf einzelne Teildisziplinen innerhalb des Hauses oder Pilotprojekte.

Welche Technologien kommen denn in Deutschland vorwiegend zum Einsatz und welche Nutzen ziehen Finanzdienstleister und ihre Kunden daraus?

Deutsche Finanzdienstleister nutzen Künstliche Intelligenz derzeit noch überwiegend für Aufgaben im Backoffice. Sprich in Bereichen, in denen sie keinen direkten Kontakt zum Kunden haben. Sie übernehmen kleinteilige, administrative Aufgaben wie das Überprüfen von Bezahlvorgängen, in der Betrugsprävention oder unterstützen Sachbearbeiter. Der Fokus liegt beim Einsatz von KI noch relativ einseitig auf Kostenoptimierung. Andere mögliche Vorteile, wie ein besserer Kundenservice, oder die digitale Transformation ganzer Wertschöpfungsketten, etwa durch den Einsatz von KI zur Bonitätsprüfung oder der Kreditvergabe, haben oft eine nachrangige Bedeutung auf der Prioritätenliste.

Nun sagen viele Experten, dass KI alleine keine Wettbewerbsvorteile bringt, sondern nur eine das ganze Institut umfassende Strategie, die auch Risikomanagement- oder Compliance-Aspekte einbindet. Warum mangelt es den deutschen Geldhäusern offenbar häufig daran?

Mittels Künstlicher Intelligenz Unternehmen von der Größe deutscher Finanzdienstleister und deren über Jahrzehnte gewachsene Wertschöpfungsketten zu optimieren, ist ein Kraftakt. Und deutsche Geldhäuser bringen leider nur selten die notwendige Power auf. Daher auch die immer wiederkehrenden Pilotprojekte und Tippelschritte statt einer schwungvollen digitalen Transformation. 

Was heißt das in Bezug auf den internationalen Wettbewerb?

Es fehlte lange die extrinsische Motivation. Wie eingangs erwähnt: Die Kunden in den USA legten ihren Hausbanken die Daumenschrauben an, dort sind Privatpersonen nicht nur deutlich offener für digitale Dienstleistungen gewesen - sie forderten sie geradezu. Dieses Willkommenheißen der digitalen Transformation brauchte in Deutschland einen längeren Anlauf, wenngleich die Offenheit für digitale Dienstleistung spätestens mit der Corona-Pandemie sprunghaft angestiegen ist. Zudem arbeiteten sich deutsche Geldhäuser zu lange an strukturellen Barrieren wie dem Datenschutz ab. Oder sie hatten Angst etwas falsch zu machen, da ein technisches Problem, wie etwa falsche Entscheidungen einer KI oder ein Datenleck, in ihren Augen zu großer negativer Aufmerksamkeit im Vertrauens-Business Banking geführt hätten. Die Folge: Laut einer Pwc-Studie sehen nur neun Prozent der Banker gut auf den Einsatz von KI vorbereitet.

Wo müssen die Institute also ansetzen?

Banken müssen begreifen, dass sie nicht alles im Alleingang schaffen werden. Das Build-Modell ist möglich, aber in Anbetracht der bereits bestehenden Technologien am Markt ein Scheitern mit Ansage. Intelligente Fintech-Kooperationen sind der schnellste Weg, um rasch digitale Tools in das eigene Portfolio zu integrieren.

Warum liegt das Heil in Sachen KI aus Ihrer Sicht gerade in einer Fintech-Kooperation? Welche Vorteile ziehen Banken daraus?

Eine fortschrittliche Künstliche Intelligenz, die valide und präzise arbeitet, kostet Zeit und Geld. Wir sprechen hier schnell von deutlichen Millionenbeträgen. Diese fließen in die Entwicklung der KI – und in deren Training. Denn das Programm ist nur so gut wie sein Erfahrungsschatz. Dafür muss die KI in ihrer Lernphase Entscheidungen treffen - richtige wie falsche. Sprich sie muss Geld verbrennen dürfen, nur so kann sie die richtigen Schlüsse ziehen. Natürlich haben große Bankenhäuser das Kapital, um diesen Entwicklungsprozess anzustoßen und durchzuziehen. Aber wollen sie einer KI Fehler zugestehen? Die Compliance-Anforderungen und Freigabeprozesse sind zu aufwendig und machen die agile Entwicklung einer KI beinahe unmöglich. Außerdem braucht es nicht nur Geld, um eine gute KI zu entwickeln, sondern auch Zeit. Selbst große Banken mit einem entsprechenden Volumen an Kreditanträgen brauchen knapp anderthalb Jahre, um die notwendige Masse an Cases und Daten zu aggregieren, sodass der Algorithmus präzise arbeiten kann; kleinere Banken brauchen schnell drei bis vier Jahre. Diese Zeit haben sie nicht.

Die Institute brauchen also Unterstützung...

Und hier kommen Fintechs ins Spiel. Denn es existieren bereits funktionierende Künstliche Intelligenzen am Markt. Seit Jahren feilen Fintechs an der Verbesserung ihrer Technologien. Und viele haben inzwischen einen beachtlichen Reifegrad erreicht. Ihre Technologie kann man bedenkenlos verwenden und per API-Schnittstellen einfach in das eigene System integrieren. Banken überspringen so den jahrelangen, teuren Entwicklungsprozess, müssen keine In-House-Expertise für den Aufbau der KI einkaufen. Stattdessen können sie mit Fintechs als Partnern Künstliche Intelligenzen direkt in ihre Prozesse integrieren. Und laut Pwc-Studien sind eben jene, KI-optimierten Prozesse um über 80 Prozent effizienter.

Können Sie uns ein praktisches Beispiel nennen, wie eine Kooperation konkret funktioniert?

Ein Beispiel ist die Kreditvergabe. Banken suchen hier schon seit langem nach Wegen die Entscheidungsfindung im Kreditgeschäft zu beschleunigen. Doch die manuelle Bearbeitung von Anträgen mittels Sachbearbeitern lässt sich kaum skalieren. Durch bestehende Machine-Learning-Algorithmen lassen sich in der Risikoprüfung jedoch - je nach Serverkapazität - 10.000 bis 100.000 Anträge täglich bearbeiten. Und das äußerst Präzise: Algorithmen in der Bonitätsüberprüfung erreichen auch während der dynamischen und chaotischen Corona-Krise einen Gini-Koeffizienten von 70.

Ein anderes Beispiel ist das Liquiditätsmanagement von (potenziellen) Kreditoren. Nicht jeder Mensch, der einen Kredit beantragt, bekommt schlussendlich auch einen zugesagt oder erhält angesichts seiner Bonität ein akzeptables Angebot. Doch eine KI kann jene Daten, die sie bereits zur Risikoprüfung verwendet - finanzielle Daten, Verhaltensdaten, Transaktionsdaten, Daten von Auskunfteien wie Creditreform oder der Schufa und mikrogeographische Daten - auch dazu verwenden, um diesen Kunden zu beraten und beim Liquiditätsmanagement zu unterstützen. So können Banken auch abgelehnte Antragsteller als Kunden halten. Und eventuell sogar soweit unterstützen, dass sie beim nächsten Mal für einen Kredit in Frage kommen.

share
SHARE
print
PRINT

Related topics

Background information for this content

Premium Partner