iStock.com/Vertigo3d

Kunden- und prozessorientierte Lösungen: Wo Banken bereits KI nutzen

Der enorme Fortschritt in der IT – sei es in Bezug auf Hardware, Software oder Internet-Technologie – hat unsere Gesellschaft unwiderruflich verändert. Heutzutage ist eine aktive Teilnahme an der Wirtschaft ohne Computer, Internet oder mobile Geräte kaum mehr vorstellbar.

Das hohe Entwicklungstempo der IT schafft beträchtliche Chancen: So ist es innerhalb relativ kurzer Zeit möglich, die Kundenbasis zu vergrößern, neue Produkte einzuführen oder vorhandene zu verbessern und die Effizienz zu steigern. Allerdings gilt auch: Wenn Unternehmen die aktuelle IT-Welle verpassen, könnten sie schon bald von der Entwicklung überholt werden. Die Fortschritte auf dem Gebiet der KI stellen einen besonders bemerkenswerten IT-Durchbruch der vergangenen Jahre dar. Der Begriff „KI“ bezieht sich vor allem darauf, dass Computer ähnliche kognitive Fähigkeiten aufweisen wie Menschen. Daraus können sich für Unternehmen und ihre Kunden gleichermaßen beträchtliche Effizienzgewinne ergeben.

Der Finanzsektor hat bereits früh mit KI experimentiert – nicht zuletzt wegen der Aussicht auf eine höhere Rentabilität. Daher lohnt es sich, die potenzielle Rolle der KI bei der digitalen Transformation der Banken genauer zu betrachten. Steigende Investitionen in KI Infolge der raschen Entwicklung in den vergangenen Jahren wird inzwischen in verschiedenen Bereichen der Einsatz von KI geprüft bzw. tatsächlich bereits KI genutzt. Allerdings ist es aufgrund von Messproblemen nicht ganz einfach, diesen Einsatz zu quantifizieren. Wenn Unternehmen z. B. KI verwenden, um die Effizienz ihrer Abläufe zu steigern, lässt sich der Effekt nicht direkt analysieren. Außerdem ist es zuweilen schwierig, zwischen Standard-IT-Lösungen und reinen KI-Anwendungen zu unterscheiden.

Um dieses Problem zumindest teilweise zu umgehen, lohnt es sich, Daten zu Venture-Capital (VC-)Investitionen in Startup-Unternehmen aus dem KI-Sektor heranzuziehen.(1) Im Jahr 2018 wurde weltweit die beachtliche Summe von 24 Mrd. US-$ in KI-Start-ups investiert; 2013 waren es noch weniger als 2 Mrd. US-$. Insbesondere in den vergangenen zwei bis drei Jahren sind die VC-Investitionen deutlich angestiegen. » 1

KI-Unternehmen werden außerdem zunehmend zu Übernahmezielen. In den vergangenen 20 Jahren wurden insgesamt 434 Unternehmen aus dem KI-Sektor übernommen; 220 dieser Übernahmen erfolgten dabei seit dem Jahr 2016. (2)

Knapp 15 Mrd. US-$ des gesamten VC-Volumens flossen im Jahr 2018 in KI-Start-ups aus den USA und weitere 6,5 Mrd. US-$ in chinesische Unternehmen. In den Jahren 2017 und 2018 nahm die Zahl der VC-Transaktionen nicht mehr so stark zu. Das durchschnittliche Volumen der VC-Investitionen schnellte dagegen in die Höhe, was darauf hindeutet, dass VC-Kapital inzwischen eher in reifere KI Unternehmen fließt, deren Kapitalbedarf höher ist als derjenige von typischen neu gegründeten Start-ups.

In China z. B. erhielt das Unternehmen SenseTime Group, das sich mit maschinellem Sehen und Deep Learning beschäftigt, im Jahr 2018 VC-Kapital in Höhe von 1,6 Mrd. US-$. Dadurch stieg der Unternehmenswert auf über 6 Mrd. US-$ an, sodass die SenseTime Group inzwischen das wertvollste KI-Einhorn der Welt ist (als Einhorn, „Unicorn“, werden Tech-Unternehmen mit einem geschätzten Wert von mindestens 1 Mrd. US-$ bezeichnet). In den USA investieren derweil vor allem große Technologieunternehmen in KI-Start-ups. VC-Investoren sehen KI offensichtlich als revolutionäre Technologie mit beträchtlichem Potenzial an, ähnlich wie das Internet bzw. das mobile Internet in früheren Jahrzehnten.

Wie verwenden die KI-Start-ups dieses Kapital? Ersten Beobachtungen zufolge stellen sie weitere KI-Spezialisten ein – was kostspielig und schwierig ist – und bauen ihre Dienste aus. Daher müssen die Anleger gegebenenfalls eine Weile warten, bevor ihre Investitionen nennenswerte Erträge erbringen.
 

Künstliche Intelligenz und geistiges Eigentum

In aller Regel gilt: Eine Technologie wird sich in den kommenden Jahren als besonders nützlich und wirtschaftlich wertvoll erweisen, wenn die Zahl der Patentanmeldungen auf diesem Gebiet deutlich ansteigt.(3)

2016 war die Zahl der Patentanmeldungen für KI-Technologien mit rund 20.000 doppelt so hoch wie im Jahr 2010. Rund 50 Prozent entfielen dabei auf KI-Patente im Bereich maschinelles Sehen. Diese Technologie ist vor allem für autonomes Fahren von Bedeutung; hieran zeigt sich, wie lebhaft der Wettbewerb auf diesem Gebiet derzeit ist. 2015 (dem bisher letzten Jahr, für das länderspezifische Daten verfügbar sind) entfiel rund ein Drittel aller Patentanmeldungen auf die USA. Dieser Anteil ist seit 2010 etwa stabil geblieben. Innerhalb der USA wiederum reichten vor allem große Technologiekonzerne KI-Patente ein. Chinas Anteil an den gesamten Anmeldungen stieg von 10 Prozent im Jahr 2010 auf 25 Prozent im Jahr 2015 an. Auf Japan und die EU-28 entfielen jeweils 14 Prozent, zuvor waren es jeweils rund 20 Prozent gewesen. China scheint also die EU und Japan auf dem Gebiet der KI-Forschung und -Entwicklung zunehmend zu überrunden, was erhebliche Folgen für die Zukunft haben könnte. » 2

Innerhalb der EU entfiel die Hälfte aller KI-Patentanmeldungen auf Deutschland und Frankreich. Zusammen mit Großbritannien (16 Prozent) und Schweden (8 Prozent) stehen damit vier Länder für den Großteil der europäischen KI-Forschung. Da Patente ein rechtliches Monopol begründen, können Vorreiter auf einem bestimmten Gebiet von beträchtlichen Vorteilen profitieren. Und angesichts potenziell großer Skaleneffekte könnten Länder, die derzeit auf dem Gebiet der KI nicht besonders aktiv sind, langfristig abgehängt werden. » 3

Vor dem Hintergrund des sich verstärkenden globalen Wettbewerbs im IT-Sektor insgesamt und bei der KI im Besonderen hat die Europäische Kommission im März 2019 ein neues Budget für die Finanzierung von Forschungs- und Innovationsprojekten in Europa vorgeschlagen. „Horizont Europa“ soll an die Stelle des Programms „Horizont 2020“ treten, das ein Ausgabenvolumen von 77 Mrd. € für die Jahre 2014 bis 2020 hat. Für Horizont Europa sind 100 Mrd. € in den Jahren 2021 bis 2027 vorgesehen. Eine der wichtigsten Komponenten von Horizont Europa ist das Programm „Digitales Europa“, das Investitionen in Höhe von 9 Mrd. € in Hochleistungsrechnen und -datenverarbeitung, KI, Cyber-Sicherheit und digitale Fertigkeiten und Kompetenzen vorsieht.

Auch wenn Horizont Europa sicherlich ein wichtiger Schritt zur Förderung der KI-Technologie in Europa ist, bleibt abzuwarten, inwieweit das Programm tatsächlich erfolgreiche KI-Projekte vorantreiben kann. Beim Vorgängerprogramm gingen von 2014 bis 2016 insgesamt 115.000 Anträge auf Mittel für Innovations- und Forschungsprojekte ein, von denen jedoch lediglich 14.000 bewilligt wurden – eine sehr geringe Erfolgsquote. Die hohe Antragszahl belegt, dass der Kapitalbedarf hoch ist. Gleichzeitig lässt die hohe Ablehnungsquote auf grundsätzliche Probleme schließen. Gegebenenfalls wären alternative Ansätze erforderlich (z. B. eine gezielte Verbesserung der IT-Kenntnisse bereits zu einem frühen Zeitpunkt oder ein Ausbau der IT-Infrastruktur), um die Zahl qualitativ hochwertiger KI- und Innovationsprojekte zu steigern.
 

Künstliche Intelligenz im Bankensektor

Für Banken sind Daten in praktisch allen Geschäftsbereichen von wesentlicher Bedeutung, vom klassischen Einlagen- und Kreditgeschäft bis hin zum Investment Banking und der Vermögensverwaltung. Daher bietet ein autonomes Datenmanagement, das ohne menschliche Eingriffe auskommt, den Banken viele Möglichkeiten, um schneller, präziser und effizienter zu werden.

Potenzielle KI-Anwendungen im Bankensektor lassen sich in vier große Kategorien einteilen:

  1. Anwendungen für den Kundenverkehr (Frontoffice),
  2. Anwendungen für interne Prozesse (Backoffice),
  3. Handel und Portfoliomanagement,
  4. Einhaltung rechtlicher Vorschriften.(4)

Bisher testen die Banken KI-Technologien zumeist erst aus und haben sie noch nicht vollständig in ihre Systeme eingebunden. Dabei scheinen kunden- und prozessorientierte Lösungen im Vordergrund zu stehen: » 4

  • Derzeit wird getestet, ob und wie KI Betrugsversuche im Online-Banking in Echtzeit erkennen und verhindern kann. Kreditkartenbetrug ist in den vergangenen Jahren zu einer der verbreitetsten Formen von Cyber-Kriminalität geworden, und diese Tendenz wird durch das kräftige Wachstum im Online- bzw. mobilen Zahlungsverkehr noch verstärkt.(5) Um eventuelle Betrugsfälle zu erkennen, prüfen KI-Algorithmen in Echtzeit, ob die von Kunden getätigten Kreditkartentransaktionen plausibel sind und vergleichen aktuelle Zahlungsvorgänge im Hinblick auf den Zahlungsbetrag und -ort mit früheren Zahlungen. Wenn ein Risiko erkannt wird, blockiert die KI die entsprechende Transaktion.
  • Außerdem wird der Einsatz von KI in KYC-Prozessen getestet, bei denen die Identität von Kunden überprüft wird. KI-Algorithmen scannen Kundenunterlagen und vergleichen sie mit Informationen aus dem Internet, um festzustellen, wie zuverlässig die Unterlagen sind. Bei etwaigen Widersprüchen schlagen die KI-Algorithmen Alarm, und Bankmitarbeiter führen eine detailliertere KYC-Prüfung durch.
  • Bei Chatbots setzen die Banken ebenfalls versuchsweise KI-Technologien ein. Chatbots sind digitale Assistenten, die per Textnachricht oder telefonisch mit den Kunden interagieren und versuchen, deren Anliegen ohne Beteiligung eines Bankmitarbeiters zu bearbeiten.
  • Darüber hinaus testen die Banken, inwieweit KI Angaben visualisieren (z. B. in juristischen Dokumenten oder Jahresberichten) und wichtige Punkte herausfiltern kann. KIAlgorithmen entwickeln anhand der Daten selbstständig Modelle und führen ein Backtesting durch. So lernen sie aus früheren Fehlern und erhöhen ihre Treffsicherheit.
  • Einige bereits existierende Finanztechnologie-Anwendungen entwickeln sich im Zeitablauf ebenfalls zu umfassenden KI-Lösungen. Dies gilt z. B. für Robo-Advisors, die eine vollständige Automatisierung bestimmter Asset-Management- Dienstleistungen möglich machen, oder Online-Finanzplaner, mit deren Hilfe die Kunden besser begründete Konsum- und Sparentscheidungen treffen können. Mit zunehmender Reife nutzen diese Finanztechnologielösungen immer intensiver Techniken, um selbstständig Daten zu durchsuchen und Muster darin zu finden.

In ihrem Streben nach mehr Effizienz scheinen die Banken vor allem auf KI-Anwendungen zu setzen, die kostspielige, arbeitsaufwendige und sich wiederholende Tätigkeiten übernehmen können. Es geht insbesondere um die Verbesserung des operationellen Risikomanagements, z. B. durch Betrugserkennung oder bessere KYC-Verfahren, sowie um Kostensenkungen, etwa durch Chatbots oder Robo Advisors.
 

Hindernisse für den Einsatz von Künstlicher Intelligenz im Bankensektor

Trotz des enormen Potenzials wird der Einsatz von KI im Bankensektor möglicherweise durch einige externe Faktoren gebremst. Zunächst enthält die EU-Datenschutzgrundverordnung (DSGVO), die im Jahr 2018 in Kraft trat, präventive Klauseln zu automatisierten Entscheidungen. Dies betrifft nicht nur die Finanzbranche, sondern alle Sektoren.

In Artikel 22 der DSGVO heißt es: „Die betroffene Person hat das Recht, nicht einer ausschließlich auf einer automatisierten Verarbeitung – einschließlich Profiling – beruhenden Entscheidung unterworfen zu werden...“. Dies wirft besondere Probleme für KI-Anwendungen auf, deren Entscheidungen ja per Definition automatisch erfolgen. Um die Einschränkungen des Artikel 22 umzusetzen, könnte an einem gewissen Punkt des Prozesses ein Mensch eingebunden werden, der am Ende der KI-Kette letztendlich die Entscheidung trifft.

Artikel 13 der DSGVO enthält zudem bestimmte Offenlegungsvorschriften. Sollte etwa ein KI-Programm die Eröffnung eines Kontos oder die Gewährung eines Kredits ablehnen, hat der Kunde das Recht, über die Gründe für diese Entscheidung informiert zu werden. Artikel 13 verlangt nicht unbedingt, dass der Quellcode des KI-Algorithmus im Einzelnen offengelegt wird. Es müssen jedoch gewisse Angaben gemacht werden, welche Parameter einfließen. In jedem Fall dürften Eingriffe von Programmierern erforderlich sein, um diese und zahlreiche andere Datenschutzvorgaben zu erfüllen.

Dadurch fallen die zu erwartenden Effizienzgewinne durch KI geringer aus. Dass Big Data möglicherweise in böser Absicht manipuliert werden könnte, dürfte den Einsatz von KI im Bankensektor ebenfalls hemmen. Zum Beispiel könnten Hacker versuchen, die Systeme mit fiktiven Daten zu füttern (falsche Social-Media-Konten, Internetseiten oder Nachrichten) und so Einfluss auf KI-Entscheidungen zu nehmen. Diese könnten dadurch verzerrt sein und bestimmte Personen diskriminieren – oder Hacker könnten sogar die KI-Systeme an sich unter ihre Kontrolle bringen.

Dass KI-Systeme miteinander verbunden sind, macht das Problem noch brisanter. KI selbst kann zwar Cyber-Angriffe und Malware recht gut erkennen, dennoch müssten möglicherweise Programmierer die Systeme laufend überwachen und kontrollieren, um eventuelle Cyber-Sicherheitsprobleme zu lösen. In diesem Zusammenhang könnte es hilfreich sein, sogenannte Regulatory Sandboxes einzuführen. Dabei kann die Sicherheit neuer KI-Anwendungen unter realen Bedingungen überprüft werden.

Nach Auffassung mancher Beobachter ist die Logik von KI und insbesondere von neuronalen Netzwerken intransparent; die Systeme funktionieren demnach wie eine Black Box.(6)

Diese Befürchtung ist darauf zurückzuführen, dass die KI-Algorithmen unter Umständen sehr komplex sind und Menschen sie nicht ohne Weiteres visualisieren und verstehen können. Das Komplexitätsproblem verschärft sich dadurch, dass sich KI-Algorithmen im Zeitablauf aktualisieren und enger miteinander verknüpfen. Wohlgemerkt können KI-Prognosen und -Entscheidungen letztendlich ganz ähnlich wie Prognosen und Entscheidungen von Menschen ausfallen. Im Gegensatz zu Menschen kann KI jedoch per Definition die entsprechenden Gedankengänge nicht erläutern. Dies erschwert den Einsatz von KI insofern, als Prozesse im Bankensektor auch dann vollständig nachvollziehbar sein müssen, wenn die getroffenen Entscheidungen angemessen und gerechtfertigt sind.

Falls ein Problem mit einer Entscheidung auftritt, muss klar erkennbar sein, an welcher Stelle der entsprechende Fehler erfolgt ist. Der gesamte Entscheidungsprozess hat den regulatorischen und aufsichtsrechtlichen Vorgaben zu entsprechen und muss vollständig transparent sein. Durch die Einbeziehung menschlicher Programmierer und eine Beaufsichtigung durch Menschen würden die Effizienzgewinne zwar zum Teil wieder zunichtegemacht, aber die KI-Algorithmen würden auch transparenter sein. Ungeachtet dieser potenziellen Hindernisse werden die Banken weiterhin die Möglichkeiten von KI testen, was beträchtliche Folgen für die Rentabilität haben könnte.
 

Fazit

KI könnte unseren Alltag in mancherlei Hinsicht grundlegend verändern. Insbesondere in den USA und China wurde in den vergangenen Jahren viel in KI investiert, die auch zunehmend eingesetzt wird. In Europa ist das Bild uneinheitlich; einige Länder sind auf dem Gebiet der KI sehr aktiv, andere hinken hinterher. Angesichts des beträchtlichen Potenzials der neuen Technologien wurden auf europäischer Ebene Maßnahmen ergriffen, um die KI-Aktivität zu steigern. Auch im Finanzsektor könnte KI zu einem grundlegenden Wandel führen. Bisher wird sie allerdings im Bankensektor nur in moderatem Umfang genutzt. Datenschutzvorgaben und die strikte Regulierung im Bankensektor könnten den Einsatz von KI hemmen. Der Wettbewerb im Bankensektor wird immer intensiver – nicht zuletzt dadurch, dass datengestützte Finanzdienstleister wie FinTech-Startups und große Technologiekonzerne die traditionellen Geschäftsmodelle der Banken infrage stellen. In einem solchen Umfeld hängt es möglicherweise von einem raschen Einsatz von KI-Technologien ab, ob die Banken konkurrenzfähig bleiben.
 

Literatur

  • Bathaee, Yavar (2018). The Artificial Intelligence Black Box and the Failure of Intent and Causation. Harvard Journal of Law & Technology, 31 (2), 889-938.
  • FSB (2017). Artificial intelligence and machine learning in financial services: Market developments and financial stability implications.
  • Humphrey, David B., Magnus Willesson, Göran Bergendahl und Ted Lindblom (2003). Cost Savings from Electronic Payments and ATMs in Europe. FRB of Philadelphia Working Paper No. 03-16.
  • Inaba, Takashi und Mariagrazia Squicciarini (2017). ICT: A new taxonomy based on the international patent classification. OECD Science, Technology and Industry Working Papers, 2017/01. OECD Publishing, Paris.
  • Mai, Heike (2018). Kartenbetrug in Deutschland: Geringer Anteil, aber hohe Kosten. Deutsche Bank Research. Aktueller Kommentar.
  • McCarthy, John, Marvin L. Minsky, Nathaniel Rochester und Claude E. Shannon (1955). A proposal for the Dartmouth summer research project on artificial intelligence.
  • Postbank Digitalstudie (2018). Der digitale Deutsche und das Geld. WIPO (2019). Künstliche Intelligenz: WIPO Technology Trends.

(1) Laut Definition der OECD handelt es sich bei KI-Start-ups um Unternehmen, deren Geschäftsmodell sich auf Folgendes konzentriert: i) „Künstliche Intelligenz“, „maschinelles Lernen“ und „maschinelle Intelligenz“; ii) „neuronale Netze“, „Deep Learning“ und „bestärkendes Lernen“ und iii) „maschinelles Sehen“, „Predictive Analytics“, „Spracherkennung“, „autonomes Fahren“, „intelligente Systeme“ und „virtuelle Assistenten“.

(2) Vgl. WIPO (2019).

(3) Für eine genauere Erläuterung vgl. Inaba und Squicciarini (2017).

(4) Ein detaillierter Überblick über den Einsatz von KI in den einzelnen Kategorien
der Tabelle 8 findet sich in FSB (2017).

(5) Vgl. Mai (2018).

(6) Für eine genauere Erläuterung vgl. Bathaee (2018).
 

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge