Die nächste Phase der KI im Finanzbereich: Von der persönlichen Effizienz zur Unternehmenstransformation

Die nächste Phase der KI im Finanzwesen: Von der persönlichen Effizienz zur Unternehmenstransformation

KI-Tools helfen Finanzexperten dabei, Recherchen, Analysen, Präsentationen und Kundenarbeiten schneller zu erledigen. Doch laut Kevin Buehler, Chief Innovation Officer bei Rogo und ehemaliger Senior Partner bei McKinsey, liegt die Bewährungsprobe darin, wie Unternehmen diese freigewordenen Kapazitäten nutzen – ob sie damit mehr Kunden betreuen, mehr Märkte analysieren, mehr Zeit in urteilsintensive Aufgaben investieren oder die KI lediglich zu einem persönlichen Produktivitätstool wird, das über die Organisation verstreut ist.

Branchenhintergrund

Die Finanzdienstleistungsbranche war schon immer ein früher Anwender technologischer Innovationen, aber die Durchdringung der KI bewegt sich von den Rändern ins Zentrum. Von der automatisierten Berichterstellung bis hin zu intelligenten Anlageempfehlungen integriert sich die KI zunehmend in den täglichen Betrieb. Dennoch befinden sich die meisten Institutionen noch in einer „frühen Phase“ und haben noch keine durchgängige Prozessneugestaltung erreicht. Buehler weist darauf hin, dass die aktuellen KI-Anwendungen hauptsächlich auf der Ebene der Nachwuchskräfte stattfinden, z.B. bei der Erstellung von PowerPoint-Präsentationen, Excel-Analysen und der Aufbereitung von Kommunikationsmaterialien.

Aktuelle Entwicklungsdynamik

Buehler beschreibt die Einführung von KI im Finanzwesen in drei Phasen. Die erste Phase ist die Nutzung durch Nachwuchskräfte: Analysten, Associates und Vice Presidents beschleunigen ihre tägliche Arbeit mit KI. Die zweite Phase ist die Einführung in der oberen Führungsebene: Managing Directors usw. beginnen, KI häufig zu nutzen und zu lernen, wie man Teams führt, die von KI unterstützt werden. Die dritte Phase ist die durchgängige Neugestaltung von Arbeitsabläufen. Die meisten Unternehmen haben die letzte Phase noch nicht erreicht.

Buehler erwähnt insbesondere, dass komplexe Finanzworkflows wie Kunden-Onboarding, M&A-Transaktionen und Kreditvergabe durch KI neu gestaltet werden könnten. Er betont: „Wie man KI nutzt, um diese Prozesse wirklich zu verändern, ist derzeit die vorderste Front.“

Auswirkungen auf das Finanzsystem

• Zahlungseffizienz: KI kann die Transaktionsüberwachung, Betrugserkennung und Abwicklungsprozesse optimieren und so die Geschwindigkeit und Sicherheit von Zahlungssystemen verbessern.
• Finanzielle Inklusion: Durch die Senkung der Servicekosten ermöglicht KI Finanzinstituten, mehr Kunden in der Breite zu erreichen und die Finanzdienstleistungsabdeckung zu erweitern.
• Bankenwettbewerb: Banken, die KI frühzeitig einführen, können Kostenvorteile und Vorteile beim Kundenerlebnis erzielen, was die Branchenpolarisierung verschärft.
• Compliance-Kosten: KI kann Compliance-Prüfungen wie Geldwäschebekämpfung und KYC automatisieren und so die Kosten für manuelle Prüfungen senken, muss jedoch die Anforderungen an die Transparenz von Algorithmen erfüllen.
• Risikomanagement: KI verbessert Vorhersagemodelle und bewertet Kreditrisiken und Marktschwankungen genauer, aber die Erklärbarkeit von Modellen bleibt eine Herausforderung.

Herausforderungen- Datenschutz: KI-Systeme benötigen große Datenmengen für das Training. Die zentrale Frage ist, wie Kunden Daten unter Einhaltung der Vorschriften beschafft und genutzt werden können. - Cybersicherheit: Die Einführung von KI-Systemen erweitert die Angriffsfläche, sodass neue Risiken wie Model Poisoning oder Adversarial Attacks abgewehrt werden müssen. - Technologieintegration: Die Einbettung von KI in Altsysteme erfordert erhebliche Investitionen und Architekturänderungen. - Regulatorische Unsicherheit: Die Regeln der Aufsichtsbehörden für den Einsatz von KI im Finanzwesen befinden sich noch in der Entwicklung, sodass Unternehmen Compliance-Risiken ausgesetzt sind. - Talent- und Change-Management: Buehler betont, dass Unternehmen die Fähigkeiten ihrer Mitarbeiter verbessern sollten, anstatt sich vollständig auf neue Mitarbeiter zu verlassen, da ansonsten Daten zur „Achillesferse“ werden.