KI im Banking: Wie KI die Bankenbranche verändert

KI-Anwendungen im Banking

Von der Berechnung von Kapitalreserven bis zur Bewertung von Marketingstrategien: Statistische Analysen fließen in nahezu jede Entscheidung einer Bank ein. Viele Menschen — darunter Data Scientists, Analystinnen, Manager, Business-Verantwortliche und Aufsichtsbehörden — müssen die Analysen oder darauf basierende Berichte einsehen.

Prognosen aus Machine-Learning- und Statistikmodellen können ein wichtiger Teil dieser Analysen sein. Ihre bloße Nutzung gilt jedoch noch nicht als KI.

Von KI sprechen wir, wenn ein Modell eine Entscheidung automatisiert. Seine Vorhersagen fließen in ein System ein. Dieses System enthält Regeln auf Basis der Vorhersage und weiterer Variablen, die zu einer Entscheidung führen. Diese nennen wir „KI-Systeme“.

Mein Team entwickelte vor allem solche Systeme, um neue Kredite automatisch zu genehmigen. Das wichtigste Modell in diesen Systemen ist das sogenannte Kreditrisikomodell.

Kreditrisikobewertung

Wenn du einen Kredit bei einer Bank beantragst, durchläufst du eine Kreditrisikobewertung. Dabei kann die erwartete Verlusthöhe im Falle eines Zahlungsausfalls berechnet werden oder die Wahrscheinlichkeit, dass du ausfällst — also den Kredit aufgrund finanzieller Schwierigkeiten nicht zurückzahlen kannst. Letztere Vorhersage treibt in der Regel die Entscheidung, einen Kredit zu genehmigen, maßgeblich.

So modellieren wir Kreditrisiko

Schon lange vor Erfindung des Computers bewerteten Banken Kreditrisiken. Üblich war dafür vor allem eine „Kredit-Scorecard“.

Wie unten zu sehen, berücksichtigt sie verschiedene Merkmale potenzieller Kreditnehmender. Du erhältst je nach Ausprägung eines Merkmals eine Punktzahl, alle Punkte werden aufsummiert. Je höher dein Score, desto geringer ist die Ausfallwahrscheinlichkeit.

Beispiel einer Kredit-Scorecard (Quelle: Autor)

Früher entstanden diese Scorecards vor allem durch „Expert Judgment“ — sprich: Jemand im Anzug legte die Werte fest. Und ja, so voreingenommen, wie es klingt. Heute verfügen Banken über enorme Datenmengen und Rechenleistung, um statistisch optimale Scorecards zu bauen. Wie wir später sehen, kann das auch fairere Ergebnisse liefern.

An Daten mangelt es nicht. Intern hat eine Bank Zugriff auf deine gesamte Transaktionshistorie und dein bisheriges Zahlungsverhalten. Extern gibt es in den meisten Ländern öffentliche Register zu früheren Krediten und Ausfällen über alle Kreditinstitute hinweg.

All diese Quellen lassen sich in Modellmerkmale überführen. Manche Banken gehen sogar so weit, Gerätedaten wie Geolokation zu nutzen. Spätestens dann stoßen sie allerdings auf regulatorische und ethische Fragen.

Der Prozess zum Bau solcher Scorecards hat sich stark verändert, das Endprodukt sieht jedoch ähnlich aus. Merkmale werden diskretisiert. Dafür wird die Weight of Evidence (WOE) genutzt, um die Unterschiede in Ausfallraten je Merkmalsgruppe zu maximieren. Anschließend vergeben wir pro Gruppe eine Punktzahl, je nachdem, wie stark sie die Ausfallwahrscheinlichkeit verändert. So lässt sich — wie eh und je — aus dem Gesamtscore die Ausfallneigung eines Kreditnehmenden ableiten.

So werden Scorecards eingesetzt

Diese Kredit-Scorecards bilden die Grundlage eines KI-Systems, das Kredite automatisch genehmigt. In der einfachsten Form gibt es einen harten Cutoff: Liegt der Score darunter, wird der Kredit abgelehnt.

Zusätzliche Regeln können sich aus der Bankstrategie, Regulierung oder Merkmalen wie dem Alter des Kunden ergeben. Wie wir im nächsten Abschnitt sehen, können komplexere Systeme Vorhersagen aus mehreren Modellen kombinieren.

In der Praxis kommen diese KI-Systeme bei Privatkrediten oder kleinen Geschäftskrediten zum Einsatz. Größere Summen wie Hypotheken oder Unternehmenskredite werden nicht vollständig automatisiert. Diese Fälle sind oft zu individuell oder die Beträge zu hoch, um ohne finale menschliche Entscheidung zu genehmigen. Häufig dient dennoch eine Scorecard als Entscheidungsgrundlage.

Angesichts der Fortschritte bei Datenerhebung und Automatisierung würdest du komplexe Modelle erwarten. Das ist jedoch ein Trugschluss.

Für die Schätzung von Ausfallwahrscheinlichkeiten und den Bau von Scorecards wird Logistische Regression verwendet. Gründe dafür erläutern wir im Abschnitt zu den Herausforderungen: Interpretierbarkeit, Regulierung und Fairness. Der Hauptgrund ist jedoch, dass die Logistische Regression hinreichend genau ist.

Bei den beschriebenen Ausfällen geraten Menschen durch Fehlentscheidungen oder äußere Umstände in finanzielle Schwierigkeiten. Wichtig ist: Niemand will absichtlich ausfallen. Die zugrunde liegenden Zusammenhänge im Kreditrisiko verändern sich daher langsam. Das gibt uns Zeit, lineare Merkmale zu entwickeln, die diese Beziehungen interpretierbar abbilden. Es gibt jedoch andere Arten von Ausfällen, die nicht so simpel sind.

Betrugserkennung und -prävention

Im Gesundheitswesen sagt Machine Learning komplexe Dinge voraus, etwa ob ein Tumor gut- oder bösartig ist. Stell dir nun vor, der Tumor wäre bewusst und könnte sein Aussehen ändern, um unentdeckt zu bleiben. Das macht das Problem schlagartig viel schwieriger. Ähnlich verhält es sich mit Betrugserkennung.

Es gibt viele Arten von Betrug. Im Kontext automatischer Kreditgenehmigung liegt Betrug vor, wenn der Kreditnehmende nie vorhatte, Rückzahlungen zu leisten. Ziel ist, den Kredit zu erhalten und mit dem Geld zu verschwinden. Dafür könnten Einkommen zu hoch angegeben, andere Schulden verschwiegen oder sogar eine fremde Identität genutzt werden. Egal wie: Wir sprechen dann von einem Ausfall aufgrund von Betrug.

Betrugsarten (Quelle: Autor)

So sagen wir Betrug voraus

Beim Kreditrisiko können wir Transaktionen aggregieren, um das generelle Verhalten zu erfassen. Bei Betrug sind einzelne Transaktionen oft entscheidend. Zudem betrachten wir vielfältigere Datenquellen wie Gerätedaten und Kommunikationshistorien.

Ein weiterer Punkt: Da sich Betrugsmuster ständig verändern, müssen Modelle schneller in Produktion. Lineare Modelle stoßen hier häufig an Grenzen.

Daher kommen nichtlineare Modelle wie Random Forests und XGBoost häufig zum Einsatz. Sollen Textdaten einfließen, helfen auch Neuronale Netze. Bei diesen Modellen ist Feature Engineering weniger zentral, was Zeit spart und erlaubt, noch nicht vollständig verstandene Verhaltensweisen abzubilden.

Der Nachteil: Es bleiben Vorhersagemodelle. Wir wollen neue Betrugsfälle erkennen, bevor sie passieren. Für Prädiktionsmodelle brauchen wir jedoch einen Trainingsdatensatz mit gelabelten Betrugsfällen — sprich, wir müssen erst Betrug abwarten!

Deshalb prüfen wir potenziellen Betrug zusätzlich mit unüberwachten Methoden wie Clustering-Algorithmen oder Ein-Klassen-Modellen wie Isolation Forest. Diese helfen, Kundinnen und Kunden mit ungewöhnlichem Verhalten zu identifizieren — also Ausreißer.

Adversariales Machine Learning

Bei Betrug müssen wir auch Angriffe auf die Modelle selbst bedenken. Daher überschneiden sich Betrugsmodelle mit einem wichtigen KI-Zweig: adversariales Machine Learning.

Dieses Feld sucht nach verborgenen Schwachstellen in Modellen, die Angreifer ausnutzen können. So lässt sich ein Modell zu falschen Vorhersagen verleiten oder zur Preisgabe sensibler Informationen. Bei Poisoning-Angriffen werden Trainingsdaten manipuliert, um Modelle unbemerkt zu korrumpieren.

Für die Kreditautomatisierung ist Ersteres am relevantesten. Betrüger versuchen, sich wie gute Kundschaft darzustellen und ihre wahrgenommene Ausfallwahrscheinlichkeit zu senken — etwa durch künstlich erhöhtes Einkommen oder Falschangaben. Betrugsmodelle decken solche Schwachstellen von Kreditrisikomodellen ab, müssen aber selbst auf adversariale Angriffe geprüft werden.

Kurzum: Vielfalt und Dynamik von Betrug erfordern oft komplexere Modelle. In manchen Fällen markieren diese potenzielle Betrugsfälle, die anschließend von Menschen geprüft werden.

In KI-Systemen zur automatischen Kreditvergabe laufen Betrugs- und Kreditrisikomodelle oft parallel. Sie ergänzen sich, da sie Ausfälle aus unterschiedlichen Gründen prognostizieren.

Sowohl Betrugserkennung als auch Kreditrisikobewertung zielen auf die Kundengewinnung — die richtigen Kundinnen und Kunden. Sind sie gewonnen, stellt sich die nächste Frage: Wie bleiben sie der Bank treu? Die nächsten beiden Abschnitte zeigen, wie KI hilft.

Customer Churn

Banken nutzen ähnliche KI-gestützte Strategien, um vorherzusagen, ob Kundschaft abwandert — etwa durch Kontoschließung oder Wechsel der Hypothekenbank. Auch ohne vollständigen Wechsel kann das Geschäft schrumpfen, z. B. durch das Entfernen des Dispos, Kündigen der Kreditkarte oder hohe Überweisungen zu einer anderen Bank.

Die Bank will eingreifen, bevor das passiert. Unzufriedene Kundinnen und Kunden werden mit niedrigeren Zinsen, Rabatten oder weiteren Vorteilen gehalten. Vieles davon lässt sich vollständig automatisieren.

Zudem prognostizieren Modelle, ob Personen oder Unternehmen künftige Raten verpassen (also in Rückstand geraten) oder komplett ausfallen. Auch hier will die Bank proaktiv handeln — etwa mit Finanzberatung oder der Möglichkeit zur Umschuldung. Schon eine einfache automatisierte Zahlungserinnerung kann wirken.

Kundenservice und Chatbots

Ein weiteres Feld für Automatisierung ist der aktive Support. Ob Sparkonto einrichten oder Online-Zahlungen tätigen: Viele Anfragen wiederholen sich und lassen sich von einem KI-gestützten Chatbot beantworten. Das geht schneller und entlastet Menschen für komplexere Fälle.

Hier kommen auch die fortschrittlichsten KI-Modelle zum Einsatz. Viele Unternehmen rüsten ihre Bots mit LLMs und Generativer KI auf. Diese leistungsstarken Modelle erweitern die Fähigkeiten eines Bank-Chatbots deutlich — bis hin zu komplexeren Anfragen und persönlicher Beratung. Bei Letzterem ist jedoch Vorsicht geboten, nicht zuletzt wegen des stark regulierten Umfelds.

Herausforderungen von KI im Banking

Die eigentlichen Hürden für KI im Banking sind häufig nicht technischer Natur. Probleme rund um Datenmanagement und Modellentwicklung sind weitgehend gelöst. Die Hürden für den Einsatz fortgeschrittener KI-Methoden entstehen durch das Umfeld, etablierte Prozesse und eine geringe Risikotoleranz.

Regulierung, Erklärbarkeit und Transparenz

Seit der Finanzkrise 2008 haben Banken deutlich weniger Spielraum. Sie agieren in einem strengen regulatorischen Rahmen, der Kapitalreserven, Risikoniveaus und sogar die einsetzbare Technologie vorgibt. Letzteres bedeutet, dass für manche Aufgaben nur bestimmte Modelltypen zulässig sind. So müssen Kapitalreserven teils mit linearen Modellen und vordefinierten Merkmalen berechnet werden.

Oft müssen Kreditentscheidungen nachvollziehbar begründet werden. Das heißt, wir müssen Aufsehern erklären, wie Modelle zu Vorhersagen gelangen. Das schränkt zwar nicht zwingend die Modellwahl ein, sorgt aber für Reibung. Wie erwähnt, ist dies ein Grund, warum lineare Modelle im Kreditrisiko dominieren: Der potenzielle Leistungsgewinn nichtlinearer Modelle wird durch den Erklärungsaufwand häufig aufgewogen.

Sieh dir dazu die Einschätzungen von Cynthia Rudin an:

Es gibt dennoch Anwendungsfälle, in denen fortgeschrittene Methoden sinnvoll sind. Churn-Modelle und Service-Bots unterliegen oft weniger strenger Aufsicht.

Bei der Betrugsvorhersage rechtfertigt der Leistungszuwachs den Aufwand, Blackbox-Modelle zu erklären. Dann kommst du um Methoden der erklärbaren KI wie SHAP nicht herum — inklusive der Erklärung der Erklärmethode selbst.

Wenn du mehr über SHAP und Erklärbarkeit wissen willst, lies diese Einführung in SHAP-Werte und diesen Artikel über erklärbare KI.

Datenschutz und Sicherheit

Banken kennen intime Details deines Lebens. Stell dir vor, jemand bekäme Zugriff auf jede Transaktion, die du je getätigt hast. Auf jeden Ladenbesuch.

Sicherheit muss extrem hoch sein, um Datenlecks zu vermeiden. Das ist auch ein Hauptgrund, warum Banken neue Technologien wie LLMs meiden. Oft erfordern diese Modelle, Daten per API an Dritte zu senden. Das Sicherheitsrisiko überwiegt hier häufig den potenziellen Nutzen.

Gleichzeitig müssen Banken bewusst mit ihren Daten umgehen. Die bisher erwähnte Regulierung bezog sich auf Kreditrisiko. Darüber hinaus gelten Regelwerke wie die DSGVO, die Datenerhebung und -nutzung beschränken.

Zusätzlich begrenzt der EU AI Act die Nutzung von KI. Das kann die genannten Anwendungen betreffen. Beispielsweise könnte es unzulässig sein, Transaktionsdaten für das Marketing neuer Produkte zu nutzen. Mehr zur Gesetzgebung findest du in unserem Artikel What is the EU AI Act? A Summary Guide for Leaders.

Ethische Überlegungen

Modellentscheidungen im Banking haben gravierende Folgen. Dir könnte eine Hypothek verweigert werden oder einem Unternehmen ein überlebenswichtiger Kredit.

Solche Entscheidungen müssen fair sein und dürfen keine Gruppen diskriminieren. Je nach Bank ist das gesetzlich gefordert oder reputationsgetrieben.

Automatisierung kann Unfairness verringern. Zentralisierte, transparente Kreditentscheidungen reduzieren individuelle menschliche Vorurteile. Umso wichtiger ist es, dass die Modelle selbst fair sind. Eine Möglichkeit ist eine Algorithmus-Fairness-Analyse. Sie bewertet die Modellleistung in Bezug auf geschützte Merkmale wie Geschlecht, Ethnie oder Herkunftsland.

Ein weiterer Fairness-Ansatz vieler Banken ist das Recht auf Widerspruch gegen automatisierte Entscheidungen. Kundinnen und Kunden sollten außerdem eine Begründung anfordern können. Neben Auto-Accept und Auto-Decline gibt es daher oft eine dritte Option — „an Kreditentscheider übergeben“. Eine Person prüft die automatisierte Entscheidung und korrigiert Unfairness.

Auch das ist ein Grund, warum einfache lineare Modelle oft bevorzugt werden. Sie sind von Natur aus interpretierbar. Weil sie leichter zu verstehen sind, können mehr Menschen sie kritisch prüfen. Potenzielle Verzerrungen lassen sich so vor dem Go-live erkennen.

Widerstand gegen Veränderung

Regulierung, Sicherheitsbedenken und Ethik bremsen fortgeschrittene KI — doch das größte Hindernis kann die Bank selbst sein.

Besonders große, etablierte Banken sind extrem risikoarm aufgestellt. Sie haben festgelegte Vorgehensweisen für Modelle und Scorecards — oft seit Jahren unverändert.

Jede Abweichung erfordert starke Begründungen und Zustimmung vieler Governance-Ebenen. Kurz: Großbanken bewegen sich langsam.

Start-ups und Fintechs sind hier im Vorteil. Sie haben weniger starre Prozesse und sind risikofreudiger. Allerdings fehlt ihnen das Kapital der Großbanken und die Ressourcen, um alle Vorgaben zu erfüllen. Langfristig könnten kleinere Player diese Nachteile durch den Mehrwert fortgeschrittener KI ausgleichen.

Der Bedarf an kontinuierlicher Weiterbildung

Wie wir gesehen haben, sind die Herausforderungen beim Einsatz von KI im Bankensektor vielfältig — von Compliance und Modellinterpretierbarkeit über Datenschutz bis zu Ethik. Das zeigt, wie wichtig es ist, dass Finanzteams nicht nur mit KI und Data Science vertraut sind, sondern sie verantwortungsvoll und effektiv anwenden können.

Um in diesem dynamischen Umfeld zu bestehen, ist kontinuierliche Weiterbildung unverzichtbar. Dein Finanzteam mit aktuellem Know-how in Data Science und KI auszustatten, ist keine Kür — es ist Pflicht, um wettbewerbsfähig zu bleiben. Hier kommt DataCamp for Business ins Spiel. Mit umfassenden Trainingsressourcen zu Data Science, Machine Learning und KI liefert DataCamp for Business die Werkzeuge, die dein Team in einer datengetriebenen Welt braucht. Dank individueller Lernpfade und detaillierter Performance-Einblicke kannst du Fortschritte verfolgen und das Lernen auf eure Geschäftsziele zuschneiden.

Mit Investitionen in Weiterbildung machst du dein Team fit, die KI-Herausforderungen im Banking aktiv anzugehen — und zwar mit fortgeschrittenen Methoden, aber im Einklang mit strengen regulatorischen und ethischen Standards der Branche. Fordere noch heute eine Demo an, um mehr zu erfahren.

Die Zukunft der KI im Banking

Mit Blick nach vorn ist klar: Fortgeschrittene Methoden werden eine wichtige Rolle spielen.

Besonders relevant ist Generative KI. Auch wenn der Einsatz in kundennahen Anwendungen riskant sein kann, ist sie äußerst nützlich für die Entwicklung von Produkten und Modellen, die wiederum kundenseitig eingesetzt werden. Nicht um Kreditrisiko direkt zu prognostizieren, sondern um beim Bau von Kreditrisikomodellen zu unterstützen — gerade bei den oft standardisierten Modellen im Banking.

Viele Banken gehen noch weiter. Wie alle Organisationen besitzen sie umfangreiche interne Dokumentation: Governance-Regeln, historische Analysen, Modellierungsprozesse. Mit LLM-gestützten RAG-Systemen wird dieser Datenschatz zur durchsuchbaren Wissensbasis und zum internen Chatbot. Stell es dir wie eine hilfreiche Kollegin vor, die alles über die Bank weiß und dich schnell einarbeitet.

Manche Unternehmen nehmen sogar das Risiko in Kauf, LLMs in kundennahen Produkten einzusetzen — etwa zur automatisierten Finanzberatung basierend auf Bankdaten. Doch Halluzinationen und die Tragweite falscher Ratschläge machen das für etablierte Banken wohl zu riskant — zumindest auf dem aktuellen Reifegrad von LLMs.

Fazit

Als Data Scientist im Banking ist kontinuierliches Lernen essenziell — ebenso wie ein kritischer Blick auf sinnvolle Technologieeinsätze. Wir haben viele Anwendungen diskutiert: Kreditrisiko, Betrug und Kundenabwanderung.

Neue Technologien im Blick zu behalten ist wichtig, denn fortgeschrittene KI-Methoden lassen sich in einigen Bereichen einsetzen. Häufig ist jedoch ein fundiertes Verständnis der Grundlagen von Data Science und Machine Learning wichtiger.

Mit der weiteren Reifung der Branche brauchen wir einen ganzheitlicheren Blick auf KI. Kompetenzen in verantwortungsvoller KI sind entscheidend in einer Welt, in der Machine Learning stärker reguliert und hinterfragt wird. Wir müssen Modelle interpretieren können, Fairness sicherstellen und sensible Daten schützen. Vieles davon sind neue Herausforderungen für Banken — und wir müssen uns anpassen, wenn wir KI breit nutzen wollen.

Wenn du mehr über verantwortungsvolle KI lernen möchtest, sieh dir diesen Kurs zu AI ethics an.