Banken investieren in die Transformation mit generativer KI

Wird generative künstliche Intelligenz (KI) den Bankensektor verändern? Wenn es nach den Technologieverantwortlichen in der Branche geht, stecken die Institute bereits mittendrin in der Adaption der neuen Möglichkeiten. Wie der KPMG Global Tech Report 2023 ergab, werden KI und maschinelles Lernen als die wichtigsten Technologien eingestuft, um schon auf kurze Sicht – in den nächsten drei Jahren – die Geschäftsziele erreichen zu können.

Mehr als die Hälfte (61 Prozent) der Technologie-Führungskräfte in Banken äußerten sich in der weltweiten Umfrage so. Andere Technologien werden demnach auf kurze Sicht als deutlich weniger wichtig eingestuft. Auch in persönlichen Gesprächen mit den Technologieverantwortlichen stellen wir fest: Sie werden mit Anfragen aus dem Unternehmen nach Unterstützung durch generative KI (oft auch GenAI genannt) überhäuft.

Warum ist das so? Weil Daten und KI gleich auf mehrere Arten zentral für das Geschäft sind – sie können das Unsichtbare sichtbar machen und uns so helfen, bessere Entscheidungen zu treffen. Diverse Handlungsfelder bieten sich in Banken an. Zum jetzigen Zeitpunkt kann generative KI unserer Einschätzung nach in fünf Hauptkategorien eingeteilt werden:

• Erstellen von Inhalten: Generative KI kann verwendet werden, um Routinedokumente und Mitteilungen wie E-Mails oder Ankündigungen zu verfassen oder um Bilder zu erzeugen.
• Informationen verdichten: Bankangestellte können generative KI dafür nutzen, größere Dokumente zusammenzufassen und zu analysieren. Das könnte sich als besonders nützlich erweisen, wenn sie nach Anomalien in einer Reihe ähnlicher Dokumente suchen, zum Beispiel in Verträgen über Sozialleistungen für Arbeitnehmende oder in Geschäftsbedingungen für Lieferanten.
• Intelligente Chatbots: Eine Weiterentwicklung der herkömmlichen, eng programmierten Chatbots, die die meisten Banken heute verwenden. Sie werden wahrscheinlich zunächst intern eingesetzt (zum Beispiel um Mitarbeitenden die Möglichkeit zu geben herauszufinden, wie viele Urlaubstage sie noch haben), bevor sie in Kundenlösungen mit höherem Risiko Eingang finden.
• Sprachübersetzer: GenAI-Tools eignen sich hervorragend als Sprachübersetzer und sind in der Lage, mit einem hohen Maß an Zuverlässigkeit neue Inhalte in mehrere Sprachen gleichzeitig zu übersetzen und zu erstellen.
• Code-Generatoren: KI kann Textinformationen und natürliche Sprache in Code für verschiedene Programmiersprachen umwandeln. Das könnte besonders für Banken nützlich sein, die ihre alten, auf der Common Business Oriented Language (COBOL) basierenden Programme mithilfe von Programmierkenntnissen der neuen Generation aktualisieren wollen.

KPMG in den USA hat 2023 im Abstand von drei Monaten zwei Mal Führungskräfte in der Finanzindustrie gefragt, wie sie sich generativer KI nähern. Einige Ergebnisse: Zwei Drittel hatten bereits Budgets für das Thema allokiert. Drei Viertel (76 Prozent) planten den Einsatz von generativer KI in der Betrugsbekämpfung und -prävention, sechs von zehn (62 Prozent) im Bereich Kundenservice und Personalisierung. Fast sieben von zehn (68 Prozent) beabsichtigten, KI in den Bereichen Compliance und Risiko anzuwenden.

Beispiele für Anwendungen gibt es viele: GenAI kann das Underwriting von Krediten unterstützen, indem sie die Finanzdaten von Kundinnen und Kunden analysiert und dazu beiträgt, das Ausfallrisiko zu verringern. Mit einem besseren Verständnis der Kundenbedürfnisse und -wünsche kann GenAI dabei helfen, personalisierte Produktempfehlungen zu erstellen, zum Beispiel für eine zusätzliche Kreditkarte. Und sie kann das Kredit-Pricing, also den Zinssatz, optimieren.

Wo sich Chancen bieten, lauern aber in der Regel auch Risiken – zum Beispiel in Sachen Cybersicherheit. Viele tendieren dazu, dass die Technologie ihre Fähigkeit, Angriffe zu erkennen und vorherzusagen, dramatisch verbessern könnte. Gleichzeitig befürchten sie aber, dass eine neue Technologie im Unternehmen auch neue Angriffsmöglichkeiten schaffe. Klar ist: KI braucht skalierbare Rechenleistung. Dafür braucht es die Cloud und die Cloud braucht Sicherheit.

Jede Medaille hat zwei Seiten und bei den möglichen Nachteilen sind auch die Kosten zu nennen, die für eine Neuerung im Unternehmen zunächst aufzubringen sind: Implementierungskosten für das Entwickeln neuer Anwendungen, für das Integrieren in bestehende Systeme, Tests und Schulungen zum Beispiel.

Der zweite Kostenblock ist der Betrieb. So viel Rechenleistung, Computerleistung und Energie wie für das Erstellen eines Modells benötigt wird, so viel ist auch für dessen Wartung erforderlich. Und wenn man Tausende von verschiedenen Modellen im Unternehmen erstellt, vervielfachen sich die Kosten – und auch die Emissionen.

Viele Mitarbeitende befürchten, dass generative KI zu einem Personalabbau führen könnte. Doch dazu haben die Digitalisierungsschritte der vergangenen Jahrzehnte auch nicht geführt: Alle dachten, Desktop-Computer würden zu Massenentlassungen führen. Aber das war nicht der Fall, ebenso wenig wie Tabellenkalkulationen oder die E-Mail einen Abbau von Arbeitsplätzen herbeigeführt haben. Vielmehr haben diese Innovationen bewirkt, dass die Menschen sich vermehrt auf die wertschöpfenden Teile ihrer Arbeit konzentrieren konnten.

Und so zeigt unsere Umfrage unter den Technologieverantwortlichen in Banken, dass die meisten den größten Nutzen von KI und Automatisierung in einer höheren Mitarbeiterzufriedenheit sehen – und dass auch die Belegschaften selbst einen verbesserten Kundenservice schätzen.

Anstatt GenAI allein unter Kosten- oder Produktivitätsgesichtspunkten zu betrachten, sollten Banken sie als Wachstums- und Transformationsfaktor in großen Zusammenhängen sehen. Eine Strategie und eine Roadmap sind dafür unabdingbar.

Nehmen wir als Beispiel für diesen Punkt einen Risikoprozess. Die Richtlinien basieren auf einer Reihe von Gesetzen. Es werden Kontrollen eingeführt, um die Einhaltung zu gewährleisten. Die Qualitätskontrolle dient dazu, Verbesserungen vorzunehmen. Wenden Sie GenAI auf den gesamten Prozess an und Sie können die verschiedenen Schritte parallel ablaufen lassen.

Die Ergebnisse der Qualitätskontrolle lösen zum Beispiel Aktualisierungen der Richtlinien in Echtzeit aus. Und diese Art von Anwendungen könnte Produktivitätssteigerungen von, sagen wir, 75 Prozent bringen. Erstaunlich wird es dann, wenn es beginnt, das möglich Scheinende grundlegend zu verändern. Und das ist die Welt der 500-prozentigen Produktivitätssteigerungen.

Ein zweites Beispiel ist der Jahresabschluss. Mit GenAI und einer Reihe anderer ergänzender Technologien könnte man theoretisch einen kontinuierlichen Abschluss durchführen. Wenn man diese Daten mit einigen Visualisierungstools verknüpft, können CEOs und Entscheidungsträger ein Echtzeit-Dashboard mit den wichtigsten Finanz-, Compliance-, Risiko- und Kostenmetriken nutzen.

Unser Plädoyer lautet daher: Schauen Sie nicht auf einzelne, isolierte Anwendungsfälle und Kostenergebnisse. Die großen Chancen erschließen sich jenen, die ganzheitlich über GenAI nachdenken und die dafür notwendige Infrastruktur grundlegend in ihre IT-Architektur integrieren.