12 02 |
12 02 | 2022 In komplexeren Situationen bedeutet der Einsatz von KI in der Regel kein Entweder/Oder, sondern eine Ergänzung zur Mensch-Mensch-Interaktion. Neben dem Kundenerlebnis geht es dabei immer auch um Barrierefreiheit. Ein durchgängig sprachgesteuerter Prozess stiftet hier deutlichen Mehrwert. Der Kunde sollte darüber hinaus jederzeit die Möglichkeit haben, den KI-gestützten Prozess zu verlassen, um mit einem echten Menschen zu sprechen. So entstehen moderne Kundenerlebnisse mit Vorteilen für beide Seiten – bei insgesamt niedrigeren Transaktionskosten. Darum nützen KI-gestützte Prozesse beiden Seiten, den Banken und den Kunden, gleich viel, und es entstehen völlig neue Möglichkeiten im Banking, die heute noch undenkbar scheinen. Die Herausforderung für den Kunden wird sein, KI als solche zu erkennen und die Vertrauenswürdigkeit des Angebots einschätzen zu können. KI im Einsatz in einem gesetzlichen Rahmen Die vorangegangenen Ausführungen fokussieren auf das spezielle Anwendungsgebiet der Prozessautomatisierung und -optimierung. Letztlich geht es um KI-gestützte User Experience. Die notwendige Datengrundlage, um Algorithmen zielgerichtet trainieren zu können, ist häufig frei verfügbar oder enthält keine personenbezogenen Informationen. Damit unterliegt sie keinen zusätzlichen Beschränkungen. In anderen Gebieten führt jedoch gerade der Einsatz von personenbezogenen oder soziodemografischen Daten dazu, dass ein KI-Modell theoretisch bessere und genauere Vorhersagen treffen könnte. Ein Beispiel ist die Analyse des Konsumverhaltens der Kunden, woraus Algorithmen direkt passende Produktangebote generieren (z. B. Next Best Offer, Next Best Action). Hier spielt die EU-Datenschutzgrundverordnung (EU-DSGVO) eine sehr wichtige Rolle, da Verstöße zu hohen Bußgeldern führen können. Entscheidend für den gesetzeskonformen Einsatz ist die Einwilligungserklärung der Kunden. Nur wenn die betroffene Person zustimmt, können Daten für den beschriebenen Zweck ausgewertet werden. Etwas anders stellt sich die Situation beim Einsatz von KI zur Betrugserkennung oder Prävention von Geldwäsche sowie anderer strafbarer Handlungen dar. Ziel ist hier, möglichst genau vorherzusagen, welche Transaktion ein hohes Risiko aufweist, krimineller Natur zu sein. Auch hier werden Kunden- und Transaktionsdaten verwendet, allerdings mit dem Ziel, Muster und Ähnlichkeiten zu erkennen und/oder gegen bestehende Einträge in Negativdatenbanken abzugleichen. Je treffsicherer ein Verfahren ist, desto geringer sind die zugehörigen Prozesskosten und desto besser kann die Bekämpfung derartiger Handlungen ausgestaltet werden. Ein Risiko? KI im Risikomanagement Im Bereich des Risikomanagements ist der Einsatz von KI- Verfahren aktuell in der Diskussion. Während auf diesem Gebiet auch heute schon komplexe mathematisch-statistische Verfahren – etwa als Prognoseverfahren zur Bestimmung von Ausfallwahrscheinlichkeiten oder Verlustquoten von Krediten im Adressrisiko – zum Einsatz kommen, gibt es noch kein gesondertes Regelwerk für Algorithmen aus dem Bereich des Maschinellen Lernens (ML). Mitte 2021 wurde ein Diskussionspapier der Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) veröffentlicht, das vor allem die Solvenzaufsicht adressiert, also den Einsatz von ML-Verfahren bei Risikomodellen für Säule 1 oder Säule 2. Ziel der Diskussion ist es, eine erste Rückmeldung von Marktteilnehmern zu erhalten, welche Aspekte für die Ausgestaltung einer künftigen Aufsichtspraxis elementar sind. Die Ergebnisse aus der Konsultation wurden im Februar 2022 veröffentlicht 1 : ■ Es wird weitgehend befürwortet, keine klaren Definitionen für ML einzuführen, weiter technologieneutral zu bleiben und sich auf Verfahren, aber auch Datengrundlagen inklusive der Darstellung verbundener Stärken und Schwächen zu konzentrieren. ■ Das existierende Regelwerk zu Säule 1 und 2 erscheint ausreichend detailliert, wobei an manchen Stellen insbesondere bei Säule 1 die Anforderungen an die Nachvollziehbarkeit und Messbarkeit von ML-Verfahren kritisch eingeschätzt werden. ■ Reine Datengläubigkeit und darauf ausgerichtete vollautomatisierte Modelle werden eher kritisch betrachtet (etwa wegen möglicher diskriminierender Effekte). ■ Die Nachvollziehbarkeit und Erklärbarkeit von Modellergebnissen rückt in den Fokus der Diskussionen und wird für die künftige Anwendbarkeit im Risikomanagement von
entscheidender Bedeutung sein (hierbei wird oft der Begriff XAI 2 verwendet). ■ Gerade bei Modelländerungen scheinen noch klarere Vorgaben nötig zu sein, denn beim Einsatz von ML-Verfahren ist nicht eindeutig klar, wann eine datengetriebene Änderung eine genehmigungspflichtige Modelländerung darstellt und wann nicht (Ausbau der Modell-Governance). Am Ende wird ein harmonisierter internationaler Rahmen benötigt. Hierzu sind noch einige Abstimmungen im Rahmen der Digital Finance Strategy der EU-Kommission sowie mit anderen europäischen Aufsichtsbehörden nötig. Autoren Philipp Csernalabics verantwortet als Abteilungsleiter das Themenfeld um Digitale Assistenzsysteme, Chat- und Voicebots bei msg. Zuvor war er Gründer und Geschäftsführer der Neohelden. Darüber hinaus ist er Lehrbeauftragter für Design Thinking sowie Entrepreneurship. Andreas von Heymann ist als Geschäftsbereichsleiter für eine Software Product Line bei msg for banking tätig. Er verfügt u. a. über langjährige Erfahrungen in User Experience und ist Experte für die Themen Gesamtbanksteuerung, Kalkulation, Ertrags- und Risikomanagement. Fazit Es zeigt sich, dass Künstliche Intelligenzen eingesetzt werden können, um Bankgeschäfte sowohl für die Bank als auch für den (Privat-)Kunden fair zu gestalten. Speziell die natürliche Spracherkennung vermag einen wesentlichen Beitrag dazu zu leisten, Zugangshürden zu für den Kunden vorteilhaften Bankgeschäften abzubauen und damit eine soziale Teilhabe aller Bevölkerungsgruppen am modernen Banking zu ermöglichen. Bei der Umsetzung sollte beachtet werden, KI nur in einem eng definierten Rahmen einzusetzen, der das Vertrauen in die Technologie rechtfertigt. Das gilt insbesondere dann, wenn daran elementare Festlegungen für einen Kunden manifestiert werden, also vor allem im Kontext der Risikobeurteilung im Finanzdienstleistungsbereich. Die Einhaltung bestehender regulatorischer und gesetzlicher Anforderungen versteht sich von selbst, Nachvollziehbarkeit und Erklärbarkeit sind weitere Schlüssel zum Erfolg. Wenn dies gelingt, entstehen Vorteile für alle Marktteilnehmer, und die KI erhält zu Recht ein noch größeres Gewicht im Banking. Regulativ werden unterschiedliche Entitäten und Institutionen an einem Strang ziehen müssen, um ein insgesamt faires Banking auf Augenhöhe zu ermöglichen. Andreas Mach verantwortet als Lead Executive Partner das Business Consulting bei msg for banking. Er ist Experte für die Themen Banksteuerung, Risikomanagement, Controlling, Regulatorik, Digital & Sustainable Banking sowie Compliance und Analytics beziehungsweise künstliche Intelligenz. 1 https://www.bafin.de/SharedDocs/Downloads/DE/Konsultation/2021/dl_ kon_11_21_Ergebnisse_machinelles_Lernen_Risikomodelle.html;jsessionid= 73E780E55CC66367BFC7E97FD6B41E61.1_cid503. 2 https://publikation.msg.group/publikationsarchiv/fachartikel/1159-integratedgradients/file.
