Selbstfahrende Sport Utility Vehicle auf unseren öffentlichen Straßen, Siri immer im Zugriff, Alexa im Wohnzimmer … Künstliche Intelligenz und die dahinter funktionierenden Machine-Learning-Verfahren begegnen uns bereits heute, zum Teil eingebettet in den Alltag, zum Teil mit unserem „Wow“, wenn die US-Verkehrsaufsichtsbehörde NHTSA bestätigt, dass es bei einem Unfall mit einem selbstfahrenden Auto erstmals in den USA einen Toten gegeben hat, weil der Fahrer eines Tesla-Sportwagens unter Verwendung des Autopilot-Systems des Fahrzeugs in Florida eine Kollision mit einem Lastwagen hatte.
Aber wo stehen hier die Banken heute? Robot Process Automation (RPA), lesen wir zum Beispiel in den Wirtschaftsmedien, sollen Sachbearbeiter-Prozesse im Banken-Backend durch maschinelle Prozesse ersetzen. Der Handlungs- und Kostendruck dieser Branche ist augenscheinlich hoch, nicht nur aufgrund der zurückliegenden Krise und der daraus entwachsenen Regularien. Auch neue Marktbegleiter machen mit bankähnlichen Modellen den traditionellen Häusern das Leben schwer. Sie bieten günstigere Auslandsüberweisungen und bringen Bankgeschäfte aufs Smartphone. Die jungen Finanzfirmen fordern die großen Geldhäuser auf ihren lukrativsten Geschäftsfeldern heraus.
In der Praxis
„Wir haben 30 Use Cases gesammelt – viele Fachbereiche wurden befragt –, und jetzt sichten wir diese Use Cases und bewerten diese“, erzählt mir der CIO einer der Top-10-Banken in Deutschland (Anmerkung: Top Ten nach Bilanzsumme, 2016). Neue innovative Kräfte aus dem Silicon Valley seien dem CIO direkt unterstellt und sollen bei der Bewertung helfen. Und natürlich bei den daraus erwachsenden Chancen.
Ein Ansatz von Chatbots gefällig? Zum Beispiel bei der Auswahl meiner Anlagestrategie von Wertpapieren? Dies oder ähnliche Ansätze höre ich immer wieder in den Gesprächsrunden zum Thema Machine Learning. Vorzeigbares? Ja, es scheint so, denn erste Banken entwickeln zum Beispiel auf Basis Siri oder Alexa die digitalen Ansprechpartner für uns „Endkonsumenten“. Aber den Beweis angetreten haben bisher wenige Banken. Kritisch sehen viele Banken bei ihren ersten KI-Ansätzen zum Beispiel die Notwendigkeit, Daten in eine Cloud legen zu müssen sowie die Kosten der Produktivsetzung von KI-Modellen im Griff zu behalten.
Was hält denn aktuell der Hype rund um KI, der auch durch zahlreiche Videos in der Werbung und auf YouTube gepusht wird? So fiel jüngst laut verschiedener Presseberichte der vermeintliche KI-Vorreiter Watson dadurch auf, dass zuerst das Programm bei einer staatlichen Ausschreibung für den Kampf gegen Cyberterroristen in Italien durchfiel. Dann sorgte ein Bericht in den USA für Aufsehen, dass Watson mit der Auswertung von Daten im Kampf gegen Krebs überfordert sei.
Ebenso wie meinem agilen Gesprächspartner aus der Führungsebene, der sich viel Potenzial im Bereich Risiko-Management erhofft, geht es vielen innovativen Kräften in der Bankenbranche. Wie schnell erfahren wir den Durchbruch mit KI im Banking – den „wahren“ Use Case mit messbarem Benefit? In einer aktuellen Studie von SAS wurden mehr als 100 Analytics-Leader aus ganz Europa zu KI befragt, die Ergebnisse finden Sie in dem E-Book „The enterprise AI promise: Path to value“.
Den Mehrwert messbar machen
Schauen wir doch erst mal auf die Benefits, die sich eine Bank aus dem Einsatz von KI heraus versprechen kann. Wenn wir die Bankstrategen dazu befragen, was die signifikanteste Weiterentwicklung der nächsten 20 Jahre sein wird, dann werden sie ganz sicher die Anwendung von KI benennen.
So werden bereits im ERP-Umfeld einfache Prozesse durch denkende Maschinen ersetzt, weil diese in der Lage sind, eine auf Erfahrungswerten basierende Behandlung von Finanz-Dokumenten zu simulieren und zu automatisieren – zum Beispiel die Durchführung eines korrekten Buchungssatzes auf der Basis von steuerrelevanten Unterlagen. Ganz bestimmt können Maschinen viele verschiedene kleine Kernaufgaben des „traditionellen Banking“ übernehmen. Und dies zuverlässiger und akkurater als ein Mensch. Genau an dieser Stelle punkten ja auch die Machine-Learning-Verfahren, wenn es darum geht, sehr eng beieinander liegende Attribute und davon riesige Mengen zu modellieren.
Ein Grund dafür ist die Art und Weise, wie KI-befähigte Systeme mit Daten umgehen. Sie tun dies mithilfe einer hochperformanten und zugleich intelligenten Automation – und voll digitalisiert. Die meisten Routine-Prozesse in einer Bank benötigen eine große Menge an Daten, und die Banken müssen es schaffen, diese Informationen in effizienter Art und Weise zu verarbeiten, weil komplex verwobene Regularien der Bankenaufsicht auf der einen Seite und kundenbezogene Bedingungen und Einschränkungen auf der anderen Seite das System der Informationsgewinnung verschärfen.
Eine Grundvoraussetzung?
Als wäre dies nicht herausfordernd genug, explodieren die zu verarbeitenden Datenmengen, und gleichzeitig ändern sich die Gesetzgebungen rund um Datenschutz und die Art und Weise, wie ich sie verarbeiten und vorhalten muss (zum Beispiel DSGVO). Nehmen wir nun die Aufgabe hinzu, auch unstrukturierte Daten nutzen zu können, dann haben Banken einen deutlichen Bedarf an KI-Lösungen – vorausgesetzt, sie schaffen es, aus den riesigen Datenmengen Erkenntnisse zu gewinnen.
Fortsetzung folgt.
