Aktuelle Anwendungsbereiche von AI im Bankensektor

Der Einsatz von Künstlicher Intelligenz (KI) ermöglicht Banken innovative Ansätze und Effizienzsteigerungen in verschiedenen Bereichen wie Kundenservice oder Risikomanagement. Um aussagekräftige und qualitativ hochwertige KI-Modelle zu entwickeln, sind eine ausreichend große Datenmenge und eine entsprechende Datenqualität als technologische Voraussetzungen notwendig. Die Liste der Möglichkeiten, die sich aus diesen Daten ergeben, ist lang. Sie reicht von der Erkennung betrügerischer Aktivitäten bei Kreditkartentransaktionen über KYC-Prozesse (Know Your Customer) und die Erkennung von Cyberangriffen bis hin zur automatisierten Kreditvergabe.

Kundenorientierte Anwendungen im Front-Office

Der aktuelle Schwerpunkt des Einsatzes von KI in Banken liegt auf kundenorientierten Front-Office-Anwendungen, prozessorientierten Back-Office-Systemen und regulatorischen Prozessen. Im Wettbewerb um den direkten Kundenkontakt werden voraussichtlich diejenigen Banken oder Dienstleister erfolgreich sein, die das beste Kundenerlebnis bieten können. KI-Lösungen versprechen hier verschiedene Verbesserungen, wie beispielsweise die Erreichbarkeit rund um die Uhr, den Einsatz von Chatbots oder Sprachassistenten. Als erste deutsche Bank hat die comdirect 2017 einen Skill für Amazons Sprachassistenten Alexa eingeführt, mit dem Nutzer Börsennachrichten und Kursinformationen in Echtzeit abrufen können. Auch Zusatzfunktionen wie Überweisungen per Sprachbefehl wurden eingeführt.

Chatbots und Sprachassistenten im Bankwesen

Chatbots und Sprachassistenten gelten erst dann als intelligent, wenn sie in der Lage sind, sinnvolle Frage-Antwort-Beziehungen jenseits vordefinierter Wenn-Dann-Szenarien zu erkennen, zu strukturieren und anzuwenden. In Deutschland befindet sich beispielsweise ein digitaler Assistent für Online-Kreditanträge von Verbrauchern noch in der Erprobungsphase. Ein Chatbot oder Sprachassistent wird nur dann als intelligent oder positiv wahrgenommen, wenn er auf individuelle und komplexe Fragen hilfreiche und richtige Antworten geben kann. Andernfalls besteht die Gefahr einer sehr negativen Kundenerfahrung.

KI-gestützte digitale Assistenten für Kreditprozesse

Weitere Anwendungsmöglichkeiten für KI ergeben sich im Retailbanking sowie im bereits weitgehend automatisierten Kreditgeschäft. Insbesondere Privatkundenbanken können von implementierten KI-Lösungen profitieren, um beispielsweise die Datenqualität zu sichern oder zu verbessern und umfangreiche Transaktionsdaten zu nutzen. Der Einsatz von KI kann die Bonitätsprüfung für die Bank und die Kundin beziehungsweise den Kunden vereinfachen. Bei Finanzierungsanfragen oder vor Abschluss eines Mietvertrages verlangen Banken oder Vermieter in der Regel eine „Vertrauliche Selbstauskunft“. Für diesen Prozess gibt es eine Lösung mit integrierter KI, die aus vorhandenen Transaktionsdaten die gewünschten Informationen automatisch ableitet und strukturiert. Dadurch entfallen bestimmte Schritte, wie zum Beispiel das Einreichen von Gehaltsnachweisen. Eine automatisch ausgefüllte Selbstauskunft reduziert den Aufwand für den Interessenten und beschleunigt den Entscheidungsprozess bis hin zur Kreditentscheidung. Die Bank erspart sich zudem manuelle Schritte beim Auslesen und Prüfen der bereits vorhandenen Informationen und kann die Risikobewertung unter Berücksichtigung aller bekannten Daten optimieren.

Darüber hinaus bietet die deutsche Kreditwirtschaft Potenziale zur automatisierten Datenanalyse, um individuelle Kundenbedürfnisse zu identifizieren und zu adressieren. Durch den Einsatz von Produktempfehlungen nach dem erfolgreichen „Next Best Offer“-Konzept können zusätzliche Geschäftsmöglichkeiten geschaffen werden. Durch den Einsatz von maschinellem Lernen können bisher unentdeckte Interaktionen identifiziert werden, um sowohl die Qualität der Empfehlungen als auch die Konversionsrate zu verbessern.

Auch im Firmenkundengeschäft können Banken KI und maschinelles Lernen an der Kundenschnittstelle einsetzen, zum Beispiel bei der Liquiditätsplanung. Einige Banken haben dazu das sogenannte CashRadar entwickelt. Dabei werden historische Kontodaten mit Hilfe von maschinellem Lernen analysiert, um eine Prognose der zukünftigen Salden für die nächsten vier Monate zu erstellen. So kann vor möglichen Engpässen gewarnt und das Risiko für Kundinnen und Kunden reduziert werden.

Back-Office-Effizienz durch Automatisierung

In den Back-Office-Systemen von Banken zielen die meisten aktuellen Anwendungsfälle von KI darauf ab, den Automatisierungsgrad zu erhöhen, um die Effizienz zu steigern. Zahlreiche Robotic Process Automation (RPA)-Lösungen, die menschliche Prozesse imitieren, sind bereits im Einsatz. KI-Technologien haben das Potenzial, RPA weiter zu entwickeln, indem sie bisher unstrukturierte Eingaben verarbeiten. Optical Character Recognition (OCR) kann Texte und Bilder erkennen, während Natural Language Processing (NLP) diese verstehen und auswerten kann. Auf diese Weise können eingescannte Dokumente, Gehaltsabrechnungen, Ausweise und andere Bewerbungs- und Vertragsunterlagen für die Weiterverarbeitung durch RPA-Anwendungen kategorisiert werden.

Ein weiterer Schwerpunkt der aktuellen KI-Entwicklung ist die Verbesserung des operationellen Risikomanagements. FinTechs bieten bereits KI-basierte Lösungen zur Betrugsprävention im Zahlungsverkehr an. Zahlungsaufträge per Kreditkarte oder Online-Banking werden in Echtzeit auf Plausibilität geprüft, indem Empfänger, Betrag und Ort mit historischen Transaktionsdaten abgeglichen werden. Stellt die KI signifikante Abweichungen oder andere Risiken fest, kann die Zahlung blockiert und ein Prüfauftrag an einen Bankmitarbeiter generiert werden.

Regulatorische Prozesse

Der Einsatz von KI bietet auch das Potenzial, die Effizienz und Qualität bei der Erfüllung regulatorischer Anforderungen zu steigern.

KI gegen Geldwäsche

Ein konkretes Beispiel ist die Bekämpfung der Geldwäsche. Banken sind gesetzlich verpflichtet, alle Zahlungsvorgänge auf verdächtige Transaktionen zu überprüfen und diese den zuständigen Behörden zu melden. Es gibt bereits automatisierte Prüfverfahren zur Verhinderung von Geldwäsche, die auf vordefinierten, von Fachleuten festgelegten Erkennungsregeln basieren. Einige dieser Regeln beziehen sich jedoch nur auf einzelne Transaktionsmerkmale, die auch bei vielen harmlosen Zahlungen auftreten können. Dies führt dazu, dass viele Verdachtsfälle gemeldet werden, die in einer anschließenden manuellen Prüfung verworfen werden müssen. Gleichzeitig besteht die Gefahr, dass diese Regeln systematisch umgangen werden, indem beispielsweise bekannte Schwellenwerte bewusst unterschritten oder andere Methoden angewendet werden. Aus diesem Grund erproben verschiedene Banken Ansätze des maschinellen Lernens, um aktuelle Erkennungsregeln kontinuierlich rückzumelden und neue, bisher unbekannte Erkennungsmuster abzuleiten. Mit Hilfe von KI kann die Anzahl unbegründeter Verdachtsfälle und der manuelle Aufwand reduziert werden, während bisher verborgene Geldwäschefälle aufgedeckt werden können.

Optimierung des KYC-Prozesses

Darüber hinaus können KI-Anwendungen den „Know Your Customer“-Prozess unterstützen. Um Geldwäsche und Terrorismusfinanzierung zu verhindern und geltende Sanktionen einzuhalten, müssen Banken die Richtigkeit ihrer Kundendaten laufend überprüfen. Es gibt bereits KI-Anwendungen, die gemeldete oder gepflegte Kundendaten generell auf Plausibilität prüfen und gegebenenfalls mit Informationen aus dem Internet abgleichen. Bei offensichtlich veralteten Daten wie vierstelligen Postleitzahlen oder Angaben, die öffentlich zugänglichen Medien widersprechen, wird ein Mitarbeiter zur individuellen Prüfung hinzugezogen. In einer weiteren Ausbaustufe ist auch die automatisierte Korrektur fehlerhafter Daten oder die Ergänzung fehlender Daten möglich.