Markt

Bildquelle: iStock.com/phototechno

Banken in Experimentierphase
„Game Changer“ – aber nur mit der richtigen Strategie

Ausgestattet mit großen, strukturierten Datenmengen sind Banken ein ideales Anwendungsgebiet für Künstliche Intelligenz. Wenig verwunderlich, dass sich sektorübergreifend fast alle Institute das Thema auf die Fahne geschrieben haben und es aktiv in ihrer Investorenkommunikation oder über soziale Netzwerke propagieren.

Bislang sind die meisten Banken in Deutschland jedoch beim Einsatz von Künstlicher Intelligenz noch in der Experimentierphase und verfolgen nur selten einen übergreifenden, strategischen Ansatz. Da allerdings die möglichen Anwendungsgebiete mannigfaltig und sogenannte Use Cases entlang der gesamten Bandbreite der Wertschöpfungskette zu finden sind, ist das unkoordinierte Experimentieren mit einzelnen Anwendungsfällen ohne übergeordnete Strategie langfristig zum Scheitern verurteilt. Zu viele Use Cases kommen nicht über das Stadium eines MVP hinaus (Minimum Viable Product, also die minimal funktionsfähige und kundenbedarfsdeckende Iteration eines Feedback-fähigen Produkts).

Neben der Etablierung eines übergreifenden Betriebsmodells für Künstliche Intelligenz haben wir sieben wesentliche Erfolgsfaktoren für die erfolgreiche Implementierung von KI-Anwendungen identifiziert.   » 1 


1.  Lernen aus den Fehlern der Digitalisierung – „Impact-First“

Angeregt durch KI-Erfolge in anderen Branchen, haben manche Führungskräfte in Banken sehr abstrakte und teilweise auch übertriebene Erwartungen an den Nutzen von KI-Anwendungen für ihr Institut – wie den vollständig automatisierten Kundenberater. Dies führt oft zu falschen Anreizen bei Investi­tionsentscheidungen.

Häufig werden sehr visionäre Vorhaben mit großem disruptiven Potenzial bevorteilt. Diese sind zwar intern wie extern gut zu vermarkten, haben aber in der Regel einen sehr langen Implementierungszeitraum und können die in sie gesteckten Erwartungen aufgrund der technologischen Frühphase schlussendlich nicht immer erfüllen.

Nicht zuletzt zur Gegenfinanzierung der längerfristigen Anwendungsfälle sollten Banken sich auf kleinere, zeitlich handhabbare Anwendungsfälle mit direktem Wertbeitrag konzen­trieren, z. B. die Verbesserung der Preisfindung und hierdurch die Erhöhung des durchschnittlichen Kundendeckungsbeitrags um X-Prozent. Dabei ist zu beachten, dass der Wertbeitrag für die Bank nicht zwangsläufig monetärer Natur sein muss. Er kann auch aus qualitativen Faktoren wie höherer Kundenzufriedenheit oder der Verbesserung der Datenlandschaft resultieren.

Typischerweise sehen wir in Use-Case-Portfolios von führenden Finanzinstituten eine Drittelung: Der Wertbeitrag von jeweils einem Drittel der sich in der Umsetzung befindlichen Anwendungsfälle lässt sich (i) gut quantifizieren (z. B. direkte Einsparung), (ii) auf Basis greifbarer Annahmen quantifizieren (z. B. Erwartung von höheren Erträgen durch eine Verringerung der Kundenabwanderung) oder (iii) nicht solide quantifizieren (z. B. höhere Kundenzufriedenheit).

Der experimentelle Charakter von KI-Anwendungsfällen birgt allerdings auch die Gefahr, dass die Beteiligten die Kommerzialisierung zugunsten der technischen Faszination aus den Augen verlieren. Für einen nachhaltigen Erfolg ist es deshalb umso wichtiger, klare kommerzielle Vorteile frühzeitig zu identifizieren und dann konsequent an deren Erreichung zu arbeiten.

Es hat sich bewährt, Topmanager aus dem gleichen oder auch einem anderen Bankbereich als „Paten“ für den jeweiligen KI-Anwendungsfall zu nominieren, die mit ausreichend Abstand von der technischen Lösung den kommerziellen Erfolg bewerten und forcieren können, bzw. bei Nichterreichung die weitere Umsetzung zugunsten anderer Anwendungsfälle abbrechen können.

2. KI-Führerschaft bedarf der Verankerung einer KI-Vision    

Um nachhaltigen Erfolg beim Einsatz von KI sicherzustellen, sollten Banken eine übergreifende KI-Vision auf Ebene der Geschäftsführung definieren und diese als Kernelement ihrer Gesamtstrategie etablieren. Dabei ist die Unterstützung des Top-Managements in der Verfolgung der KI-Strategie ebenso wichtig wie die Übersetzung der übergreifenden Strategie in konkrete Anwendungsfälle durch die einzelnen Organisationseinheiten. Hierbei ist ein offener Austausch und direkter Zugang von Mitarbeitern zu Führungskräften essenziell, damit Führungskräfte direkt über Einsatzmöglichkeiten von künstlicher Intelligenz informiert werden können.

Auch Schulungen und Webinare zu den technologischen Grundlagen und möglichen Anwendungsgebieten haben sich als effektiv erwiesen. Das bessere allgemeine Verständnis sowie das Wissen über Anwendungsfälle, die innerhalb der Bank verfolgt werden, ermöglicht es Führungskräften, ihre Strategie mit konkreten Maßnahmen zu unterfüttern und gleichzeitig sicherzustellen, dass die vielen – Bottom-up vorgeschlagenen – Anwendungsfälle miteinander im Einklang stehen. Genauso wie sich in vielen Häusern zu Beginn der Digitalisierungswelle ein Chief Digital Officer als Anschubhilfe und Beschleuniger digitaler Initiativen bewährt hat, kann ein Chief Artificial Intelligence Officer als Sponsor und Hauptansprechpartner bzw. -koordinator für KI-Aktivitäten dienen. Abhängig vom Operating Model kann dies auch eng mit existierenden Data & Analytics-Einheiten verzahnt werden.

3. Fehler zulassen, akzeptieren und managen

KI-Anwendungsfälle sind in vielen Fällen bahnbrechend und bergen daher inhärent ein hohes Fehlerpotenzial. Erfolgreiche KI-Unternehmen akzeptieren diese Fehleranfälligkeit und passen die Umgebung entsprechend an. Oft wird die Umsetzung von KI-Anwendungen auch vom Bestandsgeschäft isoliert – sowohl ressourcenseitig durch eigene finanzielle Mittel und Mitarbeiter, aber auch geografisch durch eigene Arbeitsräume.

Gleichzeitig werden Risiko- und Erfolgsmessung an die höhere Unsicherheit angepasst. Die KI-Anwendungsfälle sollten dabei gesamthaft als Portfolio betrachtet werden. Ähnlich einer Anlagestrategie, muss das Scheitern einiger Anwendungsfälle zugunsten des Gesamtportfolioerfolgs akzeptiert werden.

Wichtig ist es für eine Bank auch, anhand von etablierten Mechanismen ein Scheitern so rasch wie möglich zu erkennen, fehlgeschlagene Anwendungsfälle konsequent zu beenden und die frei werdenden Ressourcen auf die erfolgversprechenden Anwendungsfälle neu zu verteilen. In vielen Banken wird jedoch das Abschreiben von Investitionsgeldern noch immer als Tabuthema behandelt, das für die Verantwortlichen personelle Konsequenzen nach sich zieht. Für den Erfolg der KI-Strategie muss das Stigma des Scheiterns allerdings abgeschafft werden.

Hilfreich sind darüber hinaus isolierte Budgetpools, die es den Initiativen ermöglichen, unabhängig von kurzfristigen Budgetrunden zu arbeiten und zu planen. Dies ist insbesondere für den auf langfristigen Erfolg ausgelegten Teil des Use-Case-Portfolios von höchster Relevanz.

4. Aufbau von zentraler und dezentraler ­KI-Kompetenz

Banken beginnen ihre KI-Arbeit häufig dezentral in einzelnen Geschäftsbereichen mit den ersten konkreten Anwendungsfällen – oft auch parallel. Das ist durchaus sinnvoll: Die Geschäftsbereiche können unmittelbar relevante Anwendungsfälle umsetzen, dadurch Erfolgsgeschichten kreieren und Momentum innerhalb der Bank aufbauen. So wird auch vermieden, die KI-Strategie von vornherein mit der Bürokratie einer zentralen Verwaltung zu ersticken.

Mit der Zeit wird es allerdings zunehmend wichtiger, die dezentralen Aktivitäten enger miteinander zu verzahnen und zentrale Funktionen für die übergreifende Koordination und Steuerung zu etablieren, um Konflikte und parallele Entwicklungen zu vermeiden sowie Synergien zu nutzen und das technologische Know-how bestmöglich innerhalb der Organisation weiterzugeben. So können beispielsweise Basis-Fähigkeiten im KI-Bereich (etwa im Sektor der Texterkennung) effektiv in zentralen Einheiten gebündelt und dann für bestimmte Anwendungsfälle wieder an die einzelnen Geschäftsbereiche „ausgeliehen“ werden.

5. Verzahnung der KI-Strategie mit der übergreifenden Datenstrategie

Die meisten KI-Anwendungsfälle im Bankenwesen sind relativ einfach zu entwickeln, zu kopieren und zu erwerben. Der differenzierende Faktor sind die zugrunde liegenden Daten. Daher ist es unerlässlich, neben der KI-Strategie auch eine umfassende Datenstrategie für die Bank zu definieren.

Im Rahmen der Datenstrategie sollte geklärt werden, welche Daten aus welchen Quellen von wem für die KI-Anwendungsfälle bereitgestellt, gepflegt und kontrolliert werden können und sollen. Oftmals stellt die Bereitstellung der Daten einen limitierenden Faktor bei der Umsetzung von Anwendungsfällen dar. Die Verfügbarkeit und die mögliche Erschließung von neuen Datenquellen sollten einen wesentlichen Faktor bei der Umsetzungspriorisierung der Anwendungsfälle bilden.

6. Aufbau von Expertise und eines KI-Talent-Pools

Aktuell besteht eine starke Nachfrage nach erfahrenen KI-Experten über alle Branchen hinweg. Digitale Talente sind nicht nur im Finanzsektor stark umkämpft, und Experten mit Erfahrung im Bereich der Künstlichen Intelligenz sind fast unmöglich zu rekrutieren.

Banken stehen somit im direkten globalen und industrieübergreifenden Wettbewerb um KI-Experten. Zur Gewinnung der besten Talente müssen Banken innovative Wege bei der Einstellung gehen. Ein tiefgehendes Know-how des Sektors ist meist nicht nötig und kann sogar innovationshemmend sein. Deshalb suchen führende Finanzinstitute auch über neue Kanäle nach KI-Experten, werben erfahrene Mitarbeiter von großen Technologieunternehmen oder akademischen Institutionen ab, stellen ihre Einstellungskriterien auf die neuen Mitarbeiterprofile ab und verzichten dabei z. B. auf Erfahrung im Bankenumfeld zugunsten spezifischer KI-Erfahrung.

Neben finanziellen Anreizen ist es wichtig, diesen Mitarbeitern ein spannendes Arbeitsumfeld und eine gute Infrastruktur zu bieten – dies beginnt bei der Fragestellung nach performanten IT-Geräten und endet bei der Priorisierung von herausfordernden Anwendungsfällen.

Gleichzeitig gibt es in einigen Bankbereichen natürliche Quellen für KI-Expertise. So verfügen die Risiko- und Finanzbereiche häufig bereits über starke quantitative Fähigkeiten, die auf KI-Anwendungsfälle übertragen werden können. Zur effektiven Nutzung ist es erforderlich, die Austauschmöglichkeiten zwischen den Bereichen zu erhöhen. So können beispielsweise Ressourcen temporär ausgeliehen werden.

7. Kommerzialisierung von KI-Anwendungs­fällen

Die global führenden Unternehmen auf dem Gebiet der Künstlichen Intelligenz schaffen es nicht nur, KI gewinnbringend intern einzusetzen, sondern auch unmittelbar zu kommer­zialisieren. Neben den großen Technologieanbietern gelingt es zum Bespiel auch führenden Versicherungen, einzelne Anwendungsfälle an kleinere Versicherer zu vertreiben oder ganze Technologieplattformen – inklusive der entsprechenden KI-Module und KI-basierten Prozesse – anzubieten. Als positiven Nebeneffekt erhalten die Entwickler der Anwendungsfälle so zusätzliche Daten, die zur stetigen Verbesserung der KI-Modelle beitragen.

Fazit

Zu einer Zeit, in der Banken stetig digitaler werden und ihre Data- & Analytics-Fähigkeiten ausbauen, stellt KI die natürliche nächste Evolutionsstufe dar. Bei richtiger Anwendung steigert KI die Profitabilität und verbessert die Kundenerfahrung bzw. Zufriedenheit. Um dies zu erreichen, muss KI skalierbar eingesetzt werden.

Dafür benötigen Banken eine klare KI-Strategie und müssen bei ihrer Verankerung gewisse Leitplanken berücksichtigen. Andernfalls riskieren sie, ein komplexes Netz verflochtener Modelle zu schaffen, das viele Analogien zur problematischen Flickenteppich-IT-Architektur der Vergangenheit hervorruft. Angesichts der möglichen Vorteile aus substanzieller Profitabilitätssteigerung und Neukundengewinnung ist das Potenzial von KI für Banken zu groß, um ignoriert zu werden.

Autoren

Gökhan Öztürk ist Partner bei Oliver Wyman im Bereich Digital, Technology und Analytics. Seine Expertise liegt im Retail & Corporate Banking sowie im Bereich Versicherungen.
Kolja Dutkowski ist Principal im gleichen Unternehmen und Experte im Bereich Bankentransformation mit Fokus auf Entwicklung und Implementierung digitaler Geschäftsmodelle entlang der gesamten Wertschöpfungskette.
Malte Gündling ist Engagement Manager im gleichen Unternehmen und berät Banken rund um die Themenbereiche Gesamtbankstrategie, digitale Transformation und technologiegetriebene Disruption.

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge