KI-Strategie für Banken: eine Roadmap über drei Jahre

Ein KI-Pilot, der den Vorstand begeistert und dann in der Prüfung durch das Modellrisikomanagement hängen bleibt, ist in Banken eine bekannte Geschichte. Eine solide KI-Strategie für Banken vermeidet das, indem sie in vier Stufen vorgeht, von gesteuerten Daten bis zu Agenten, die echte Arbeit erledigen.

Über meine Rolle bei DXC habe ich mit Banken im Nahen Osten und in Afrika gearbeitet. An Ehrgeiz fehlt es dort selten.

Das Problem sind die Daten. Kunden-, Konto- und Transaktionsdaten liegen in einem Kernbankensystem, einer Kartenplattform, einem CRM und einem Dutzend Tabellen. Jedes davon hat seine eigene Vorstellung davon, wer ein Kunde ist.

Diese Roadmap funktioniert mit jeder Kernbankenplattform, jeder Cloud und jedem Modellanbieter, den Ihre Aufsicht akzeptiert. Sie deckt das Privatkunden-, KMU- und Firmenkundengeschäft ab.

Drei Jahre, vier Stufen

1. 01

   Jetzt: Datenfundament

   Kunden-, Produkt- und Risikodaten auf einer gesteuerten Plattform, mit einer Datenherkunft, die die Aufsicht nachverfolgen kann.

2. 02

   Jahr 1: gesteuerte Intelligenz

   Eine Geschäftssprache für Kunden, Konten und Transaktionen, KI-Governance und die ersten schnellen Erfolge.

3. 03

   Jahr 2: KI-Agenten skalieren

   Agenten für Onboarding, Kredit, Betrug und AML, dazu Kundenansprache nahezu in Echtzeit.

4. 04

   Jahr 3: KI im großen Maßstab verankert

   KI in den zentralen Geschäftsfunktionen, mit Menschen und Agenten im Zusammenspiel und jeder Entscheidung nachvollziehbar.

Das Fundament finanziert sich über vertrauenswürdige Daten und ein saubereres aufsichtliches Meldewesen selbst. Der erste KI-Nutzen zeigt sich im ersten Jahr, und die größeren Gewinne kommen, sobald Agenten im zweiten Jahr echte Arbeit leisten.

Banken wissen bereits, warum Daten wichtig sind, weil die Aufsicht es ihnen beigebracht hat. Die BCBS 239-Grundsätze zur Aggregation von Risikodaten verlangen genaue, vollständige und zeitnahe Risikodaten mit klaren Verantwortlichen. Ein gutes KI-Fundament ist dieselbe Disziplin, erweitert auf Kunden- und Produktdaten.

Hier ist die Arbeit, in der Reihenfolge, in der ich sie angehen würde.

1. Daten aus Kernbankensystem, Karten, Zahlungsverkehr, Kreditgeschäft, CRM und digitalen Kanälen auf einer Plattform zusammenführen. Das ist meist ein Lakehouse, ein gemeinsamer Speicher für Roh- und bereinigte Daten, in der Cloud oder im eigenen Land.
2. Einen Katalog und eine Datenherkunft ergänzen, damit sich jede Zahl in einer aufsichtlichen Meldung und jeder Input eines Modells bis zum Quellsystem zurückverfolgen lässt.
3. Produkt-, Risiko- und Finanzteams Self-Service-Berichte geben, die auf denselben Kunden- und Saldenzahlen aufbauen.

Der schwierigste Teil ist die einheitliche Kundensicht. Nehmen Sie eine Frau mit einem Girokonto und einer Kreditkarte bei Ihrer Bank. Sie bürgt außerdem für den Geschäftskredit ihres Bruders und ist Geschäftsführerin eines Ihrer Firmenkunden.

In den meisten Banken ist sie vier Datensätze. Das Kernsystem schreibt ihren Namen auf eine Art, die Kartenplattform auf eine andere, und die Firmenkundenakte hat ihre Passnummer, aber kein Geburtsdatum. Ein KI-Agent, der ihr Gesamtengagement prüft, würde die Bürgschaft komplett übersehen.

Die Lösung ist unspektakulär. Legen Sie Abgleichregeln auf Ausweisnummer, Geburtsdatum und Adresse fest und bauen Sie dann einen Golden Record mit einem namentlich benannten fachlichen Verantwortlichen. Machen Sie das einmal im Fundament, und jedes Modell erbt es.

Ein zweiter Fall. Ihr Risikobericht und Ihr Hauptbuch zeigen für denselben Firmenkunden unterschiedliche Engagementzahlen. Die Kartenplattform bucht über Nacht, das Kreditsystem um die Mittagszeit.

Mit Datenherkunft verfolgt ein Analyst beide Zahlen bis zur Quelle und sieht den zeitlichen Versatz. Ohne sie baut vor jeder Vorstandssitzung jemand die Zahl in einer Tabelle nach.

1. 01KernbankensystemKonten, Salden und Transaktionen
2. 02Karten und ZahlungenKartenumsätze, Überweisungen und Gehälter
3. 03Kredit und CRMKredite, Limite und Kontakthistorie
4. 04Landing ZoneRohkopien mit Datenherkunft vom ersten Tag an
5. 05Einheitliche KundensichtEine Person, jede Rolle, die sie innehat
6. 06Berichte und MeldungenProdukt-, Risiko- und Meldezahlen, die übereinstimmen

Vertrauenswürdige Daten, die Sie für die Aufsicht nachverfolgen können

Kern des ersten Jahres ist eine semantische Schicht. Das ist eine Geschäftssprache, die Menschen und KI-Agenten teilen und in der Kunde, Konto, Produkt, Limit, Engagement, Transaktion und Beschwerde je eine Definition bekommen.

Warum ist das wichtig? Fragen Sie drei Teams, wie viele aktive Kunden Sie haben.

Das Marketing zählt jeden, der die App in den letzten 90 Tagen geöffnet hat. Die Finanzabteilung zählt jeden mit einem Saldo, und das Risikomanagement jeden mit einem offenen Produkt.

Ein Agent, der diese Frage für den Vorstand beantwortet, muss die Definition der Vorstandsvorlage verwenden. In der semantischen Schicht schreiben Sie sie einmal fest.

KI-Governance kommt im selben Jahr, ausgerichtet an Ihrer Aufsicht. In den VAE sind das die gemeinsamen Leitlinien für Finanzinstitute, die neue Technologien einführen. Im Vereinigten Königreich sind es die Grundsätze der PRA zum Modellrisikomanagement (SS1/23).

In der EU stuft der AI Act Kreditwürdigkeitsprüfungen von Privatpersonen als Hochrisiko ein. Mein Rat: Führen Sie ein einziges Register der KI-Anwendungsfälle. Geben Sie jedem einen Verantwortlichen, eine Risikoeinstufung, Testergebnisse und einen Prüfschritt durch einen Menschen, und ordnen Sie das Register dann jeder Regel zu, an die Sie gebunden sind.

Setzen Sie dann auf schnelle Erfolge, die Mitarbeitende und Kunden bemerken. Ich würde aus diesen wählen:

1. Ein Copilot für Mitarbeitende, ein Assistent, der Fragen aus Richtlinien, Produktbedingungen und Kundenhistorie beantwortet.
2. Zusammenfassungen von Beschwerden, die einem Sachbearbeiter die ganze Geschichte auf einem Bildschirm zeigen.
3. Ein persönlicher Ausgabenberater in der App, die Kunden ohnehin nutzen.
4. Hinweise zur Kundenbindung, die einem Kundenbetreuer sagen, wenn ein Kunde zum Absprung bereit wirkt.

Hier ein Copilot für Mitarbeitende im Kundenservice-Center. Eine Kundin ruft wegen einer Gebühr auf eine Kartenzahlung im Ausland an. Der Copilot findet die Gebührenklausel, prüft ihre Kartenstufe und zeigt die Antwort mit der zitierten Klausel.

Ob die Gebühr aus Kulanz erstattet wird, entscheidet weiterhin der Mitarbeiter am Telefon, und ich finde, das sollte so bleiben.

Der Ausgabenberater arbeitet mit Mustern, die Kunden ohnehin kennen. Angenommen, das Gehalt kommt am 25., die Miete geht am 1. ab, und das Schulgeld fällt jeden September an. Der Berater schlägt vor, jeden Monat ein wenig für den September zurückzulegen.

Hinweise zur Kundenbindung lesen leisere Signale, etwa ein Gehalt, das plötzlich nicht mehr am 25. eingeht. Der Kundenbetreuer erfährt davon in derselben Woche, solange noch Zeit für einen Anruf ist.

1. 01Kundenbetreuer fragtWelche meiner Kunden könnten abwandern?
2. 02Semantische SchichtBankdefinitionen von Kunde, Produkt und aktiv
3. 03Gesteuerte DatenKonten, Transaktionen und Beschwerden
4. 04Copilot antwortetMit Grund und Quelle für jeden Fall
5. 05Betreuer prüftRuft den Kunden an oder verwirft den Hinweis

Dieselbe Antwort, die auch die Vorstandsvorlage geben würde

Geschäftlicher NutzenHochMittelNiedrig

• Persönlicher Ausgabenberater

• Hinweise zur Kundenbindung
• Triage von AML-Alarmen

• Unterstützung bei Kreditentscheidungen

• Richtlinien-Copilot für Mitarbeitende
• Zusammenfassungen von Beschwerden

NiedrigMittelHochRegulatorisches Risiko

• Gering
• Mittel
• Kritisch

Im zweiten Jahr geht es von Assistenten zu Agenten. Ein Assistent beantwortet die Frage eines Menschen. Ein Agent erledigt ein Stück Arbeit innerhalb der Grenzen, die Sie setzen, und übergibt es dann an einen Menschen.

Im Bankgeschäft liegen Volumen und Wert an vier Stellen:

1. Onboarding und KYC, die Know-your-Customer-Prüfungen, die jedes neue Konto braucht.
2. Kredit, vom Einsammeln der Unterlagen bis zum Entwurf der Kreditvorlage.
3. Betrug, wo der Agent Karten- und Zahlungstransaktionen nahezu in Echtzeit bewertet.
4. AML (Bekämpfung der Geldwäsche), wo sich Alarme schneller stapeln, als Ermittler sie abarbeiten können.

Nehmen Sie das Onboarding eines KMU. Ein Handelsunternehmen lädt eine Gewerbelizenz, einen Gesellschaftsvertrag und die Pässe seiner Gesellschafter hoch. Ein Gesellschafter ist eine Firma, die in einem anderen Land registriert ist.

Der Agent arbeitet das Schritt für Schritt ab:

1. Er liest jedes Dokument und zieht Namen, Daten und Registernummern heraus.
2. Er prüft die Lizenz gegen das Handelsregister und gleicht jeden Namen mit Sanktions- und Beobachtungslisten ab.
3. Er verfolgt den ausländischen Gesellschafter die Kette hinauf bis zum wirtschaftlich Berechtigten, der realen Person, der das Unternehmen gehört.
4. Er findet bei einem Geschäftsführer einen Beinahe-Treffer auf einer Sanktionsliste, mit demselben Namen und einem anderen Geburtsdatum.
5. Er bereitet die Akte mit markiertem Treffer und beigefügten Nachweisen vor.

Eine Compliance-Beauftragte sieht sich die Markierung an und entscheidet. Der Agent hat gesammelt, und sie urteilt.

Beim Kredit läuft es genauso. Für ein KMU, das eine Betriebsmittellinie beantragt, sammelt der Agent Kontoauszüge, geprüfte Jahresabschlüsse und den Auskunfteibericht. Er bereitet die Zahlen im Standardformat der Bank auf (Kreditteams nennen das Spreading) und entwirft die Kreditvorlage.

Vielleicht weist er darauf hin, dass der Großteil des Umsatzes an einen einzigen Abnehmer geht. Die Entscheidung bleibt beim Kreditsachbearbeiter.

Beim Betrug geht es schneller. Jemand nutzt eine Karte in einem Geschäft im Inland und vierzig Minuten später online in einem anderen Land. Der Agent hält die zweite Zahlung an, bittet den Kunden in der App um Bestätigung und zeigt einem Analysten, warum er gehandelt hat.

AML ist langsamer. Bareinzahlungen landen immer wieder knapp unter der Meldeschwelle, in verschiedenen Filialen. Der Agent sammelt die Historie und entwirft die Fallbeschreibung, und der Ermittler entscheidet, ob er eine Verdachtsmeldung abgibt.

Im selben Jahr kommt die Kundenansprache nahezu in Echtzeit. Ein Kleinunternehmer sieht eine Liquiditätsprognose eine Woche bevor eine große Lieferantenzahlung fällig ist.

Auch das Betriebsmodell ändert sich. Jeder Agent braucht einen Verantwortlichen, eine klare Grenze für das, was er darf, eine Überwachung und einen Notausschalter. Teams für Modellrisiken sollten Agenten mit derselben Sorgfalt prüfen wie Modelle.

1. 01AlarmDie Transaktionsüberwachung löst einen Alarm aus
2. 02SammelnKonten, Gegenparteien, Historie und Screening-Treffer
3. 03BewertenBewertet den Alarm anhand früherer Fälle
4. 04EntwerfenSchreibt die Fallbeschreibung mit Nachweisen
5. 05EntscheidenErmittler schließt oder eskaliert
6. 06LernenErgebnisse verfeinern die nächste Triage

Das Modellrisikomanagement prüft den Agenten wie ein Modell

Im dritten Jahr steckt KI im Privatkundenkredit, im Kartengeschäft, im KMU-Geschäft, im Treasury, in den Operations und im Risikomanagement. Menschen und Agenten arbeiten Seite an Seite, und jeder Entscheidungsweg hat einen namentlich benannten Verantwortlichen und einen Prüfpfad.

Datenaustausch erweitert, was Agenten sehen können. Über Open-Banking-Schnittstellen können Kunden mit ihrer Einwilligung Konten bei anderen Banken teilen. ISO 20022, der neuere Standard für Zahlungsnachrichten, transportiert detailliertere Angaben dazu, wer wen wofür bezahlt hat.

Nehmen Sie einen Firmenkunden, der Hunderte Zahlungen am Tag erhält. Ein Agent ordnet jede davon anhand der ISO 20022-Verwendungszweckangaben der richtigen Rechnung zu. Den Rest markiert er für das Treasury-Team des Kunden.

Auch die Arbeit im Backoffice ändert sich. Zum Monatsende gleicht ein Agent die Nostrokonten der Bank (ihre Fremdwährungskonten bei anderen Banken) Position für Position ab. Ein Operations-Analyst bearbeitet nur die Differenzen, die er nicht erklären kann.

Partner docken an dieselbe gesteuerte Schicht an und nutzen Ihre Definitionen und Kontrollen. Drei Jahre Grundlagenarbeit kann ein Wettbewerber nicht schnell kopieren.

1. Chief Operating OfficerVerantwortet das Agentenportfolio und seine Ergebnisse
   Modellrisiko und ComplianceValidierung, Überwachung und ein Notausschalter
2. GeschäftsbereichsleiterVerantworten die Agenten in ihrem Geschäftsbereich

• Onboarding-AgentVerantwortet von der Leitung Onboarding
• KreditagentVerantwortet vom Chief Credit Officer
• BetrugsagentVerantwortet von der Leitung Betrugsprävention
• AML-AgentVerantwortet vom Geldwäschebeauftragten

1. 04KI-Agenten und CopilotenAgenten für Onboarding, Kredit, Betrug, AML und Kundenansprache, mit menschlichen Freigabepunkten
2. 03Gesteuerte IntelligenzschichtSemantisches Modell von Kunden, Konten, Produkten und Transaktionen, dazu das KI-Register
3. 02DatenfundamentLakehouse mit Datenherkunft, Katalog und Datenqualität, wo nötig im eigenen Land
4. 01KernsystemeKernbankensystem, Karten, Zahlungsverkehr, Kreditgeschäft, CRM und digitale Kanäle

Vier Verpflichtungen ziehen sich durch jede KI-Strategie für Banken.

1. KI-Optionen im eigenen Land und souveräne KI. Viele Aufsichtsbehörden erwarten, dass Kundendaten im Land bleiben. Wählen Sie Plattformen und Modelle, die dort laufen können, einschließlich offener Modelle, die Sie selbst betreiben.
2. Ein offener Stack über mehrere Plattformen. Modelle ändern sich alle paar Monate, halten Sie der Bank also den Wechsel des KI-Anbieters offen.
3. Governance im Einklang mit Ihrer Aufsicht. Ein KI-Register und ein Prozess für Modellrisiken, zugeordnet zu jeder Regel, an die Sie gebunden sind.
4. Menschen, die mit Agenten arbeiten können. Kundenbetreuer, Analysten und Ermittler müssen wissen, wann sie einem Agenten vertrauen und wann sie ihn überstimmen.

So sieht Überstimmen aus. Ein AML-Agent stuft einen Alarm als geringes Risiko ein, weil die Einzahlungen zum üblichen Gehalt des Kunden passen. Die Ermittlerin weiß, dass der Arbeitgeber letzten Monat geschlossen hat, und öffnet den Fall wieder.

Der erste Fehler ist, mit einem Chatbot für Kunden anzufangen. Ohne semantische Schicht gibt er auf dieselbe Frage unterschiedliche Antworten.

Fragen Sie zweimal nach Ihrem Kartenlimit, und Sie bekommen womöglich zwei Zahlen. Eine stammt von der Kartenplattform, die andere aus einer veralteten CRM-Kopie.

Ich würde die KI-Strategie Ihrer Bank im Inneren der Bank beginnen. Copiloten für Mitarbeitende und Agenten in den Operations sind sicherere Lernorte, weil ein Mensch jede Antwort prüft, bevor ein Kunde sie sieht.

Der zweite Fehler ist, KI außerhalb des Modellrisikomanagements zu bauen. Ein Pilot, der die Validierung übersprungen hat, kann nicht in Produktion gehen, also fängt das Team von vorn an. Holen Sie Risiko und Compliance ab dem ersten Anwendungsfall dazu, auch wenn es sich langsam anfühlt.

Woran es scheitertWas funktioniert

1. 01Woran es scheitert: Ein Chatbot für Kunden als erstes Projekt→Was funktioniert: Zuerst interne Copiloten und Agenten in den Operations
2. 02Woran es scheitert: Piloten außerhalb des Modellrisikomanagements gebaut→Was funktioniert: Modellrisiko ab dem ersten Anwendungsfall eingebunden
3. 03Woran es scheitert: Jedes Modell mit eigener Kundendefinition→Was funktioniert: Eine gesteuerte Kundensicht für jedes Modell
4. 04Woran es scheitert: Risiko und Compliance erst am Ende eingeladen→Was funktioniert: Risiko, Compliance und Fachbereich tragen es gemeinsam

Wenn Sie wissen wollen, in welcher Stufe Ihre Bank heute steht, buchen Sie ein Gespräch mit mir. Bringen Sie Ihre aktuelle Liste der KI-Anwendungsfälle mit, und ich sage Ihnen, wo ich anfangen würde.

Was sollte die KI-Strategie einer Bank enthalten?

Eine gute KI-Strategie für Banken braucht ein gesteuertes Datenfundament, eine semantische Schicht und eine KI-Governance, die auf Ihre Aufsicht abgestimmt ist. Danach kommen Agenten für Onboarding, Kredit, Betrug und AML. Optionen im eigenen Land, ein offener Stack und die Schulung der Mitarbeitenden liegen unter allem.

Wo sollte eine Bank mit KI anfangen?

Beginnen Sie mit dem Datenfundament und internen Anwendungsfällen. Copiloten für Mitarbeitende, Zusammenfassungen von Beschwerden und ein persönlicher Ausgabenberater bringen Nutzen bei beherrschbarem Risiko. Kreditentscheidungen kommen später, mit den stärksten Kontrollen und der Freigabe jeder einzelnen durch einen Menschen.

Gilt KI für das Kreditscoring nach dem EU AI Act als Hochrisiko?

Ja, der EU AI Act führt KI-Systeme, die die Kreditwürdigkeit von Privatpersonen bewerten oder ihre Bonitätspunktzahl festlegen, als Hochrisiko. Die Betrugserkennung ist eine Ausnahme. Hochrisiko-Systeme brauchen Risikomanagement, Data Governance, Dokumentation, menschliche Aufsicht und Überwachung.

Wie unterscheiden sich KI-Agenten von KI-Assistenten im Bankwesen?

Ein Assistent beantwortet Fragen für einen Menschen. Ein Agent handelt innerhalb der Grenzen, die Sie setzen, etwa beim Einsammeln von KYC-Unterlagen, bei der Triage von Alarmen oder beim Entwurf einer Kreditvorlage. Im Bankwesen sollten Agenten Entscheidungen vorbereiten, und ein Mensch sollte sie freigeben.

Können Banken KI nutzen und die Daten im Land halten?

Ja. Viele Cloud-Anbieter bieten Regionen im jeweiligen Land an, und offene Modelle können auf Servern laufen, die die Bank selbst kontrolliert. Legen Sie fest, welche Daten das Land verlassen dürfen, bevor Sie Plattformen und Modelle wählen.