Davon bleibt auch der Finanzsektor nicht unberührt. Ein Grund: Künstliche Intellegenz (KI) und Maschinelles Lernen (ML) sind eine der größten Möglichkeiten für Finanzinstitute, ihre Prozesse zu optimieren und noch bessere Finanzdienstleistungen anzubieten. Mit sich ständig verändernden, immer digitaler und komplexer werdenden Kundenbedürfnissen und enormen Veränderungen am Markt befinden sich Banken, Finanzinstitute und Co. schon lange inmitten einer umfassenden Transformation. Der Einsatz innovativer FinTech-Technologien ist dabei unumgänglich. Dazu zählt natürlich auch Künstliche Intelligenz. Das wissen auch die FinTech-Berater und -Entwickler von Vention und sind genau hierfür die richtigen Ansprechpartner in allen Strategie- und Entwicklungsbelangen.

"KI war schon immer ein beliebtes Werkzeug von Entwicklern, um damit zu experimentieren", erklärt Andrei Papou, ML-Spezialist bei Vention. "Der Grund, warum es bei einem breiteren Publikum populär wurde, liegt in bestimmten generativen KI-Tools, die, wenn man einen Moment nachdenkt, eigentlich generative ML-Modelle für Computer Vision und NLP sind. Ihr Potenzial zwang selbst die konservativsten Finanzdienstleister, die Vorteile zu erkennen", schließt Papou.

KI wird das Finanzwesen revolutionär verändern und hat sich schon jetzt zu einem entscheidenden Wettbewerbsfaktor entwickelt. Dabei gibt es diverse Anwendungs- und Einsatzmöglichkeiten, die mittlerweile weit über die Automatisierung von Prozessen hinausgehen. Eine Studie der Wirtschaftsprüfungs- und Beratungsgesellschaft PwC aus dem Jahr 2020 hat allerdings ergeben, dass Finanzdienstleister aus der DACH-Region zwar das Potenzial von KI erkannt haben, bei deren Einsatz aber noch erheblichen Nachholbedarf haben. Auch schätzen zu diesem Zeitpunkt nur 9 % der Führungskräfte ihr Unternehmen als digital gut vorbereitet ein.

Die Studie zeigt außerdem, dass Banken und Versicherer in der DACH-Region gerade erst anfangen, sich mit konkreten Einsatzfeldern der rasant fortschreitenden Technologie auseinanderzusetzen, und dass sie bisher hauptsächlich einen eher konventionellen Ansatz für den Einsatz von KI-Lösungen verfolgen: 79 % der Befragten wollen Prozesse effizienter gestalten, 73 % wollen Kosten einsparen. Die Hälfte der Unternehmen geht davon aus, dass sie mithilfe von KI besser in der Lage sein werden, Compliance-Vorgaben umzusetzen. Darüber hinaus setzen bereits 55 Prozent der Befragten die innovative Technologie auch in neuen Bereichen wie Chatbots, Automatisierung und vorausschauendem Marketing ein. Weitere Chancen blieben jedoch noch ungenutzt.  

In diesem Beitrag wollen wir näher darauf eingehen, wie tiefgreifende KI-Expertise dabei helfen kann, Geschäftsmodelle zukunftssicher aufzustellen. Dafür stellen wir einige der vielversprechendsten Einsatzbereiche von Künstlicher Intelligenz vor und beleuchten zudem, welche Chancen, aber auch Risiken damit verbunden sind und wie man letztere potentiell lösen kann.

Der Markt für Vermögensverwaltung ist für gewöhnlich auf sehr wohlhabende Menschen ausgerichtet. KI-Lösungen tragen dazu bei, diesen Markt erheblich zu vergrößern, da sie so skaliert werden, dass sie einer viel breiteren Bevölkerungsschicht angeboten werden können. Hierfür kommen sogenannte Robo-Advisor zum Einsatz, also „Beratungs-Roboter“. Diese digitalen Plattformen erleichtern die Finanzplanung und den Vermögensaufbau. Sie bieten automatisierte und Algorithmen-gesteuerte Anlageberatung und Portfoliomanagementdienste für Privatpersonen an. Robo-Advisor sind so konzipiert, dass sie ihre Dienste zu niedrigeren Kosten anbieten als herkömmliche menschliche Finanzberater. KI-gesteuerte Robo-Advisor bewerten die Risikoprofile der Anleger, ihre finanziellen Ziele und die Marktbedingungen, um geeignete Anlageempfehlungen zu geben, diversifizierte Portfolios zu erstellen sowie die Vermögensaufteilung zu optimieren.

Ein gutes Beispiel hierfür ist Wealthfront, eine KI-unterstützte Vermögensverwaltungsplattform, die deutlich günstiger ist als herkömmliche Anbieter. Wealthfront bietet nicht nur herkömmliche Anlageberatung, sondern kann beispielsweise auch das Ausgabeverhalten berücksichtigen, um sicherzustellen, dass die Kunden über ausreichende Mittel für Notfälle verfügen, und gleichzeitig ständig aktualisierte Prognosen zum Nettovermögen erstellen, die eine bessere Ruhestandsplanung ermöglichen. Weitere Beispiele für beiebte Robo-Advisor sind Quirion, VTB Invest und Growney.

Betrugsfälle stellen ein enormes und äußerst kostspieliges Problem in der Finanzdienstleistungsbranche dar. Viele FinTech-Unternehmen aber auch traditionelle Finanzinstitute nutzen inzwischen KI-basierte Lösungen für die Betrugserkennung und -vorbeugung. KI-Algorithmen können große Mengen von Finanzdaten in Echtzeit analysieren, um Muster und Anomalien zu erkennen, die auf betrügerische Aktivitäten hindeuten könnten. KI-gestützte Systeme können verdächtige Transaktionen wie Identitätsdiebstahl, Kreditkartenbetrug und Geldwäsche erkennen und Frühwarnsignale für potenziellen Betrug liefern, wodurch finanzielle Verluste minimiert werden.  

Ein Startup, das darauf abzielt, Betrug für Kryptowährungsbörsen und FinTech-Unternehmen zu eliminieren, ist Sardine.ai. Das Unternehmen hat eine KI-basierte Plattform zum Schutz vor Betrug geschaffen. Sardine hat bereits 4,6 Millionen US-Dollar an Startkapital erhalten und bereits einige beeindruckende Ergebnisse für Kunden erzielt. Die Plattform nutzt eine Vielzahl von Datenpunkten und analysiert winzige Details des Nutzerverhaltens in Echtzeit, wobei die Privatsphäre des Kunden gewahrt bleibt.

Wie in vielen anderen Branchen auch, sind Verträge ein zentraler Bestandteil des Finanzsektors. Ob zwischen Instituten und Kunden oder anderen Unternehmen - es kostet enorm viel Zeit, den Überblick über alle erstellten Verträge zu behalten. KI kann durch Kombinationen aus optischer Zeichenerkennung (OCR), maschinellem Lernen (ML) und natürlicher Sprachverarbeitung (NLP) dazu beitragen, diesen Prozess zu rationalisieren.  

Ein nennenswertes Beispiel hierfür ist das 2017 von JP Morgan gestartete COIN-Projekt. COIN steht für Contract Intelligence und konnte in nur wenigen Sekunden so viel leisten wie 360.000 Arbeitsstunden.  

Auch das Unternehmen DocuSign setzt KI bereits erfolgreich für Vertragsanalysen ein. Dessen Produkt DocuSign Insight kombiniert KI-basierte Technologien wie die Verarbeitung natürlicher Sprache, maschinelles Lernen und regelbasierte Logik, um vertragliche Vereinbarungen zu suchen, zu filtern und zu analysieren.

Sie wollen Ihre Vertriebs- und CRM-Aktivitäten effizienter gestalten? Hier sollte die Verarbeitung natürlicher Sprache (NLP - eine Form der künstlichen Intelligenz) zum Einsatz kommen. NLP-Software nutzt KI-Algorithmen, die auf neuronalen Netzwerken basieren und auf die Analyse komplexer Sprache spezialisiert sind. Das bedeutet, dass NLP KI-Systeme in die Lage versetzt, menschliche Sprache zu verstehen und zu verarbeiten, und so als hervorragendes Vertriebsinstrument eingesetzt werden kann. 

Banken können durch den Einsatz von NLP beispielsweise ihre Kundenbindung und Kundenakquise verbessern. Darüber hinaus kann KI zur Unterstützung von Software für das CRM eingesetzt werden, wodurch die Notwendigkeit manueller Eingaben und Aktualisierungen verringert wird. Auch CRM-Riese Salesforce hat dieses Potenzial bereits erkannt und KI in seine Plattform integriert. Sämtliche verwertbare Informationen aus den einzelnen Interaktionen können aufgezeichnet, analysiert und ausgewertet werden, um Muster zu erkennen. Diese Muster können den Finanzinstituten wiederum mitteilen, welche Regionen für Investitionen reif sind, welche ihre profitabelsten Sektoren sind und wie zufrieden die Kunden mit den Finanzdienstleistungen sind, die sie erhalten.

Auch wenn es auf den ersten Blick paradox erscheinen mag, KI hat das Potenzial, das Kundenerlebnis so individuell zu gestalten wie nie zuvor. Früher bauten die Kunden im Laufe der Zeit eine Beziehung zu den Mitarbeitern ihrer örtlichen Bankfiliale auf, die sie mit der Zeit persönlich kennenlernten und ihre Bedürfnisse verstanden. Diese besondere Art der Kundenbetreuung kann auf lokaler Ebene gut funktionieren, aber in einer immer schnelllebigeren, digitaleren Welt mit sich ständig verändernden Kundenbedürfnissen reicht dies schlicht nicht mehr aus. 

Diese Lücke kann Künstliche Intelligenz durch Online-Chatbots und virtuelle Assistenten füllen. Diese Chatbots und Assistenten stützen sich auf die enormen Datenmengen, die den Finanzinstituten über die einzelnen Kunden vorliegen, und können so rund um die Uhr und an 365 Tagen im Jahr hyperpersonalisierte Unterstützung bieten. Diese intelligenten Systeme sind in der Lage, Routineanfragen zu bearbeiten, bei grundlegenden Finanzaufgaben zu helfen, personalisierte Empfehlungen zu geben und Kunden durch verschiedene Prozesse zu führen, z. B. bei der Kontoeröffnung oder Transaktionen. Die Finanzinstitute, die Chatbots einsetzen, haben guten Grund, dies auch weiterhin zu tun. Denn neben der Effizienzsteigerung, die Chatbots versprechen, kommen auch finanzielle Vorteile zum Tragen. Einer Studie von Juniper Research zufolge werden die Einsparungen bei den Betriebskosten durch den Einsatz von Chatbots im Bankwesen bis 2023 weltweit 7,3 Milliarden Dollar erreichen. 

KI hat großes Potenzial, die Zahlungsbranche zu verändern. Ein bekanntes Beispiel dafür sind die Amazon Go Stores: In diesen Geschäften scannen Kunden beim Betreten einen QR-Code in der App, nehmen sich die gewünschten Artikel aus den Regalen und verlassen das Geschäft wieder – ganz ohne Kasse oder Bezahlkiosk. Der Prozess soll so nahtlos wie möglich sein. Damit dies funktioniert, verwendet Amazon auf Computer Vision basierende ML-Algorithmen in Kombination mit Reinforcement Learning (RL) - alles angetrieben durch die enorme Rechenleistung, die durch Amazon Web Services (AWS) zur Verfügung gestellt wird. Auch die Rewe Group testet nun mit dem System “Pick and Go” in einigen Supermärkten in Köln und Berlin, wie das kassenlose Bezahlen angenommen wird.

Ein weiteres Beispiel stellt ein 2016 von Mastercard eingeführtes KI-gesteuertes Kontrollnetzwerk dar, welches Kartenmissbrauch abwenden und für mehr Sicherheit bei Transaktionen sorgen soll. Mastercard nutzt dafür unter anderem maschinelles Lernen, Algorithmen und Hochleistungsrechner, die jede Transaktion innerhalb von Millisekunden überprüfen. So kann ein sicheres Bezahlerlebnis gewährleistet werden.

KI-Algorithmen sind in der Lage, riesige Mengen von Finanzdaten zu analysieren, Markttrends vorherzusagen und in Millisekunden fundierte Entscheidungen zu treffen. Durch maschinelles Lernen können zukünftige Preisentwicklungen vorhergesagt und Handelssignale generiert werden. KI-gesteuerte Systeme überwachen Finanzmärkte in Echtzeit. Sie analysieren Preisbewegungen, Volumen und andere Marktindikatoren und identifizieren entsprechende Chancen und potenzielle Handelsmöglichkeiten. 

KI kann außerdem bei der Optimierung von Anlageportfolios unterstützen. Durch die Analyse historischer Daten, Risikoprofile und Anlageziele kann KI personalisierte Empfehlungen für die Zusammenstellung und Anpassung von Portfolios geben. Dies kann zur Maximierung der Rendite und Diversifizierung beitragen.

KI-Modelle können Finanzinstitute dabei unterstützen, die mit der Kreditvergabe und Investitionen verbundenen Risiken wie Kredit-, Markt- und Betriebsrisiken zu bewerten und zu mindern. KI ermöglicht auch eine automatisierte Kreditwürdigkeitsprüfung durch die Analyse verschiedener Datenpunkte, wie z. B. der Kredithistorie, Beschäftigungsdaten, Aktivitäten in den sozialen Medien, Online-Verhalten und mehr. Algorithmen des maschinellen Lernens können versteckte Muster erkennen und die Kreditwürdigkeit genau bewerten. Dies erleichtert eine schnellere Kreditgenehmigung und erhöht die Genauigkeit der Risikobewertung.

Genau diese Vorteile macht sich das Unternehmen Upstart zunutze. Upstart ist eine KI-Kreditplattform, die mit Banken und Kreditinstituten zusammenarbeitet, um Verbraucherkredite zu vergeben und dabei auch Variablen wie Bildung und Beschäftigung zur Vorhersage der Kreditwürdigkeit einzusetzen. Das Unternehmen nutzt die Leistung der KI, um das tatsächliche Risiko eines Kredits genauer zu quantifizieren. Verbraucher können so von höheren Bewilligungsquoten, niedrigeren Zinssätzen und einem effizienten, vollständig digitalen Erlebnis profitieren. Die Bankpartner profitieren von neuen Kunden, niedrigeren Betrugs- und Verlustraten und einer stärkeren Automatisierung des gesamten Kreditvergabeprozesses.

Künstliche Intelligenz in der Finanzbranche nutzt eine effiziente Datenverarbeitung und -analyse, um die aufsichtsrechtliche Berichterstattung zu automatisieren und Compliance-Verstöße zu überwachen. Sie stellt sicher, dass Finanzinstitute durch umfassende Überwachungsfunktionen stets die regulatorischen Anforderungen erfüllen, und antizipiert gleichzeitig geplante Gesetzesänderungen, damit Unternehmen den Kurs frühzeitig anpassen können.

Verarbeitung aufsichtsrechtlicher Berichte – ein enormer Segen für Anwendungen im Bereich der Regulierungstechnologie (RegTech). Maschinelles Lernen kann aufsichtsrechtliche Dokumente mit beispielloser Geschwindigkeit lesen und daraus lernen. Dies ermöglicht die Automatisierung der Erstellung von Regulierungsberichten und reduziert den Zeit- und Arbeitsaufwand, der erforderlich ist, um die Einhaltung der Finanzvorschriften durch FinTechs zu gewährleisten. Darüber hinaus kann das Maschinelle Lernen die gelesenen Dokumente und Richtlinien miteinander in Beziehung setzen. In Verbindung mit der kontinuierlichen Überwachung von Finanzoperationen können ML-Systeme potenzielle Compliance-Verstöße automatisch verfolgen und identifizieren, sobald sie auftreten, und so die Einhaltung von Vorschriften sicherstellen und die Compliance-Kosten von Finanzinstituten erheblich senken.

Alle oben genannten Punkte sprechen dafür, dass die Künstliche Intelligenz zur Steigerung der Prozesseffizienz und Rentabilität beiträgt, aber wie sieht dies konkret aus? Wenn man die Kernvorteile von KI in der Finanzbranche in ein paar objektiven Aufzählungspunkten zusammenfassen müsste, wie könnte man diese Vorteile am besten beschreiben? Hier ist eine gute Zusammenfassung:

Von allen Vorteilen der Künstlichen Intelligenz für den Finanzsektor ist die Automatisierung in vielerlei Hinsicht wohl am auffälligsten. So können ML-Algorithmen beispielsweise die Prozesse beim Onboarding von Kunden optimieren, um Kundeninformationen in Echtzeit zu validieren. Außerdem entfällt durch die Automatisierung des Abgleichs von Finanztransaktionen die Notwendigkeit der manuellen Dateneingabe, was sowohl Zeit als auch Ressourcen spart.

Die Automatisierung hat auch subtilere Vorteile für den Rest Ihres Teams. Burnout kann die Produktivität in einer Weise beeinträchtigen, die sich nur schwer quantifizieren lässt – und in einem so anspruchsvollen Bereich wie den Finanz- und Bankdienstleistungen ist es keine Überraschung, dass sich 58 Prozent der Finanzfachleute überlastet fühlen. ML-gesteuerte Automatisierung beseitigt die Arbeit, die zwischen Ihren Experten und wichtigeren Aufgaben steht.

Prädiktive Analysen mithilfe von Maschinellem Lernen unterstützen Finanzunternehmen bei der Ermittlung von Bereichen, in denen Kosteneinsparungen möglich sind. Bei der Kreditvergabe kann ML beispielsweise Kreditausfallrisiken vorhersagen, sodass die Kreditgeber ihre Ressourcen effizienter einsetzen können, um potenzielle Verluste zu verringern.

Ein ähnliches Szenario ergibt sich in anderen Bereichen der Finanztechnologie durch die Analyse von Mustern im Kundenverhalten. Durch die Vorhersage der Kundenabwanderung kann KI Unternehmen helfen, proaktiv Kunden zu halten und die Kosten für die Gewinnung neuer Kunden zu senken.

Durch Mustererkennung optimiert die Künstliche Intelligenz die Ressourcenverteilung, indem sie die beste Verteilung von Kapital, Personal und Technologie bestimmt. Wie bereits erwähnt, setzen Robo-Advisors ML im FinTech-Investmentmanagement ein, um individuelle Risikoprofile zu bewerten und Investitionen entsprechend zuzuweisen  und dadurch sicherzustellen, dass das Portfolio eines jeden Kunden mit seinen finanziellen Zielen und seiner Risikotoleranz übereinstimmt.

Darüber hinaus bieten Chatbots, die mit Algorithmen des Maschinellen Lernens ausgestattet sind, einen permanenten Kundensupport, der die Ressourcen effizient verteilt, um ein hohes Volumen an Kundenanfragen zu bewältigen. Auf diese Weise können FinTech-Unternehmen ihre Dienstleistungen skalieren, ohne die Betriebskosten erheblich zu erhöhen.

Künstliche Intelligenz kann umfangreiche Datenverarbeitungen und -analysen durchführen, sodass FinTech-Unternehmen mit Technologien wie optischer Zeichenerkennung (OCR) und anderen automatisierten Dokumentenverarbeitungssystemen wertvolle datengestützte Erkenntnisse gewinnen können.

Dies ist nicht nur von unschätzbarem Wert, um die Abhängigkeit eines Unternehmens von umfangreichen Datenanalyse-Teams und damit die Kosten zu reduzieren, sondern auch, um Prozesse wie die Bearbeitung von Kreditanträgen, die Überprüfung der Kundenidentität (KYC) und die Einhaltung von Vorschriften zu automatisieren.

Neben den zahlreichen vielversprechenden Einsatzmöglichkeiten von Künstlicher Intelligenz in der Finanzbranche, birgt die fortschrittliche Technologie aber auch einige Risiken.

Ein hoher Grad an Automatisierung sorgt zwar für mehr Effizienz, kann aber dazu führen, dass der Mensch weniger in die Finanzprozesse eingreift und sie folglich auch weniger überwacht. Ohne angemessene menschliche Überwachung und Intervention besteht das Risiko, dass Fehler oder unbeabsichtigte Folgen unbemerkt bleiben. Menschliches Urteilsvermögen und Fachwissen sind von entscheidender Bedeutung, wenn es darum geht, komplexe oder außergewöhnliche Szenarien zu bewältigen, die von automatisierten Systemen möglicherweise nicht angemessen erfasst werden können.   

Potenzielle Lösungsansätze:

• Implementierung von Überwachungslösungen und anderen Kontrollstrukturen   
• Implementierung robuster Rahmen für die Zusammenarbeit zwischen Mensch und KI 
• Sicherstellen, dass menschliches Fachwissen in ausreichendem Maße eingebunden wird 
• Integration von Mechanismen für Rückmeldungen und Interventionen

Einige KI-Algorithmen, wie z. B. komplexe neuronale Netze, gelten als Blackboxen, was es schwierig macht, Ergebnisse zu überprüfen und nachzuvollziehen oder auch die Gründe für ihre Entscheidungen zu verstehen.  

Potenzielle Lösungsansätze:

• Einbeziehung erklärungsfähiger KI-Techniken, um Einblicke in den Entscheidungsprozess zu ermöglichen
• Verwendung interpretierbarer Algorithmen, die Transparenz und verständliche Entscheidungswege bieten

Die rasante Entwicklung von KI in der FinTech-Branche stellt die Regulierungs- und Compliance-Behörden vor große Herausforderungen. Bestehende Rahmenwerke und Standards können mitunter nicht mehr mithalten, was dazu führen kann, dass KI-Systeme nicht den geltenden Vorschriften entsprechen.

Potenzielle Lösungsansätze:

• Enge Zusammenarbeit mit den Aufsichtsbehörden, um Richtlinien und Vorschriften speziell für KI in der Finanzbranche festzulegen 
• Aktualisierung der regulatorischen Entwicklungen und Einhaltung bestehender Vorschriften 
• Beteiligung an branchenweiten Diskussionen zur Gestaltung verantwortungsvoller KI-Praktiken und -Standards

Die rasante Entwicklung von KI in der FinTech-Branche stellt die Regulierungs- und Compliance-Behörden vor große Herausforderungen. Bestehende Rahmenwerke und Standards können mitunter nicht mehr mithalten, was dazu führen kann, dass KI-Systeme nicht den geltenden Vorschriften entsprechen. 

Potenzielle Lösungsansätze:

• Enge Zusammenarbeit mit den Aufsichtsbehörden, um Richtlinien und Vorschriften speziell für KI in der Finanzbranche festzulegen 
• Aktualisierung der regulatorischen Entwicklungen und Einhaltung bestehender Vorschriften 
• Beteiligung an branchenweiten Diskussionen zur Gestaltung verantwortungsvoller KI-Praktiken und -Standards 

Trotz der Risiken besteht kaum ein Zweifel daran, dass Künstliche Intelligenz in den kommenden Jahren innerhalb der FinTech-Branche weiter an Bedeutung gewinnen wird. Der Einsatz von KI birgt enormes Potenzial, die Qualität von Finanzdienstleistungen und das Kundenerlebnis zu verbessern, neue Geschäftsfelder zu erschließen, Kosten einzusparen und betrügerische Aktivitäten einzudämmen.  

Die Technologie kann dazu beitragen, die Markteffizienz zu steigern, die Finanzstabilität zu erhöhen und mehr finanzielle Inklusion zu ermöglichen. Ihre verbesserten Sicherheitsebenen kommen sowohl Kunden als auch Anbietern zugute und werden ständig weiterentwickelt und optimiert. 

"Für Außenstehende mag es so aussehen, als ob die Branche in Bezug auf Anwendungen der Künstlichen Intelligenz hinterherhinkt, da FinTech-Unternehmen eher von klassischen ML-Lösungen wie der linearen Regression, SVM (Support Vector Machine), SVR (Support Vector Regression) und GBM (Gradient Boosting Machine) profitieren", bemerkt Andrei Papou, ML-Spezialist bei Vention. "Aber die Wahrheit ist, dass Tag für Tag immer mehr fortschrittliche Modelle ihren Weg in FinTech-Anwendungen finden. Jedes größere Unternehmen hat entweder bereits ein solches Modell auf den Markt gebracht oder arbeitet gerade daran, und die meisten halten ihre Karten dabei bedeckt."

Um Künstliche Intelligenz erfolgreich einzusetzen und gewinnbringend zu nutzen, müssen Finanzinstitute vor allem in strenge Sicherheitsstandards und Überwachungssysteme investieren und eng mit den Regulierungsbehörden zusammenarbeiten. Nur mit einem ausreichenden Maß an Transparenz, Fairness und Data-Governance lässt sich KI vertrauensvoll zum Einsatz bringen.