Vorreiter der intelligenten Transformation

Vier Schritte, die Banken ergreifen können, um eine Roadmap zur erfolgreichen KI-Einführung aufzustellen

In Kürze

Im Bankensektor hat sich KI von einer begrenzten Akzeptanz zu einer Wettbewerbsnotwendigkeit entwickelt. Es bestehen jedoch nach wie vor Hindernisse.
Um die Hürden zu überwinden, sollten Banken eine Roadmap für die Einführung von KI entwickeln, die Cloud, Daten als Produkt, Datenverknüpfung, LLM-Auswahl und effektive Governance umfasst.
Die Vorteile einer ganzheitlichen KI-Roadmap sind beträchtlich, da unternehmensweite KI ein Sprungbrett für autonomes und intelligentes Banking ist, das Banken über die Nutzung von KI hinaus zu einem Wettbewerbsvorteil macht.

Scheinbar über Nacht hat sich KI im Bankensektor von einer begrenzten Akzeptanz zu einer Wettbewerbsnotwendigkeit entwickelt. Dies gilt insbesondere für die generative KI, die von 80 % der CXOs von Banken, die am Capgemini World Retail Banking Report 2024 teilgenommen haben, als bedeutender Sprung nach vorne mit einem Potenzial angesehen wird, das niemand ignorieren kann.

Der Optimismus der Branche in Bezug auf KI ist nicht zuletzt auf die Ineffizienzen zurückzuführen, mit denen Banken tagtäglich konfrontiert sind. Quantitativ gesehen verbringen Bankmitarbeiter 70 % ihrer Zeit mit operativen Tätigkeiten und nur 30 % mit Kundeninteraktionen, was ein erhebliches Potenzial für KI eröffnet.

Dennoch gibt es nach wie vor erhebliche Hindernisse für eine intelligente Transformation. Dazu gehören Altsysteme, fragmentierte Daten, regulatorische Herausforderungen, Fachkräftemangel und Bedenken hinsichtlich der Kapitalrendite.

In diesem Artikel untersuchen wir, wie Banken diese Hindernisse überwinden können, indem sie einen geeigneten Plan für die Einführung von KI-Initiativen entwickeln, der sich positiv auf ihre Ergebnisse auswirkt.

Erstellung einer strategischen KI-Roadmap

Wie der World Retail Banking Report 2024 von Capgemini zeigt, haben führende CXOs weltweit bereits drei zentrale horizontale Prozesse, die das gesamte Spektrum des Retail Banking abdecken, als Prioritäten für die intelligente Transformation identifiziert: intelligente Dokumentenautomatisierung, intelligente Call Center und Co-Piloting der Mitarbeiterproduktivität.

Der Bericht zeigt jedoch auch, dass 96% der Banken sowohl aus technologischer als auch aus geschäftlicher Sicht mittlere bis niedrige Werte auf der KI-Bereitschaftsskala erreichen. Bei einem der wichtigsten Faktoren, der Erstellung eines Fahrplans für die Einführung von KI, haben nur 6 % der Banken einen solchen Plan.

Um Banken dabei zu unterstützen, diesen Rückstand aufzuholen, werden in diesem Artikel die Elemente diskutiert, die für die Erstellung einer Roadmap für die intelligente Transformation erforderlich sind. Wir empfehlen einen Bottom-up-Ansatz (Abbildung 1), um einen Plan zu erstellen, der die Daten-, Modell- und Geschäftsebene berücksichtigt:

Aufbau einer Cloud-Basis
Entwicklung einer modernen Siedlung auf der Grundlage von Daten als Produkt unter Nutzung von Datennetzen
Auswahl des richtigen Large Language Model (LLM)-Ansatzes
Aufbau einer effektiven Governance

Zum besseren Verständnis der einzelnen Elemente werden diese im Folgenden näher erläutert.

Abbildung 1: Vier strategische Grundvoraussetzungen für einen intelligenten Transformationsfahrplan

Quelle: Capgemini Research Institute for Financial Services Analysis, 2024

1. Aufbau einer Cloud-Grundlage für Agilität und Skalierbarkeit

Eine Schlüsselvariable [bei der Entwicklung unserer KI-Roadmap] ist die Zuweisung von Cloud-Computing-Ressourcen für Anwendungsfälle der generativen KI. Die Konvergenz von generativer KI und Cloud-Ökonomie bietet einen Weg zu niedrigeren Kosten und einer skalierbaren Einführung.
– Vincent Kolijn, Head of Strategy and Transformation, Retail, Rabobank, Netherlands

Cloud-Technologien sind die am besten geeignete Infrastruktur für die Bereitstellung hochleistungsfähiger, skalierbarer Rechenressourcen und stehen im Mittelpunkt der Einführung von KI in Unternehmen.

Obwohl 91 % der Finanzdienstleister auf die Cloud umgestiegen sind, ist die Akzeptanz uneinheitlich. Branchenexperten und Analysten schätzen, dass weniger als 30% der Banken ihre Kerngeschäftsanwendungen auf eine Cloud-Plattform migriert haben.

Um die gewünschten Vorteile von KI-Initiativen zu erzielen, muss die Migration in die Cloud beschleunigt und eine ausreichend robuste, agile und sichere Grundlage geschaffen werden, um den Anforderungen an Rechenkapazität, Geschwindigkeit und Datenschutz von KI gerecht zu werden.

2. Entwicklung einer modern Data-as-a-Product-Estate unter Nutzung von Datennetzen

Banken, die mit der Herausforderung von Altsystemen konfrontiert sind, müssen eine Strategie entwickeln, wie sie KI effektiv einführen und skalieren können. Es geht darum, eine Roadmap zu entwickeln, um die Hürden der Altsysteme zu überwinden.
– Steven Cooper, CEO, Aldermore Bank, UK

Verschärft durch veraltete Infrastrukturen, abteilungsspezifisches Datenbankeigentum und regulatorische Anforderungen stellen Datensilos nach wie vor eine große Herausforderung für Banken dar. Glücklicherweise bietet die Data-Mesh-Architektur nun eine Lösung, indem sie Technologieebenen bereitstellt, die über Datensilos hinweg funktionieren (Abbildung 2).

Data Mesh behandelt Daten als eigenständiges Angebot mit einem Wertversprechen, das als “Daten als Produkt” bezeichnet wird. Bei diesem Ansatz ist die Datenverwaltung dezentralisiert und findet innerhalb von Unternehmenssilos statt, wird aber durch Standards, Governance und Extraktionstechnologien vereinheitlicht, die die Daten bei Bedarf für KI-Anwendungen verfügbar machen. Nutzung von Daten-Netzwerken

Ermöglichung des Datenzugriffs in Echtzeit Schaffung eines Datenmarktplatzes für die kollaborative Nutzung von Daten durch mehrere Geschäftsbereiche und KI-Anwendungen.

Dateneigentum und -management zu vereinfachen. Ermöglicht es jedem Bankbereich, weiterhin Daten zu organisieren, zu besitzen und zu verwalten und gleichzeitig den Datenzugriff, die Datennutzung und die datengetriebene Innovation im gesamten Unternehmen zu verbessern, ohne dass die bestehende Dateninfrastruktur grundlegend geändert werden muss.

Sicherstellung einer gut verwalteten Datenvielfalt. Ermöglicht es, Daten FAIR (auffindbar, zugänglich, interoperabel und wiederverwendbar) zu machen und gleichzeitig geeignete Key Performance Indicators (KPIs) anzuwenden, um Daten zu verwalten und zu schützen, was dazu beiträgt, ihre Integrität für die Nutzung durch KI-Anwendungen zu gewährleisten.

Wie aus dem Capgemini World Retail Banking Report 2024 hervorgeht, haben führende Banken wie JP Morgan Chase und Fifth Third Bank in den USA, Saxo Bank in Dänemark, ABN AMRO in den Niederlanden und viele andere erfolgreich Data Mesh-Architekturen übernommen.

Quelle: Capgemini Research Institute for Financial Services Analysis, 2024.

3. Auswahl des richtigen Large Language Model (LLM)-Ansatzes

Banken, die sich in der sich entwickelnden Landschaft der generativen KI zurechtfinden wollen, sollten drei Ansätze in Betracht ziehen: die Entwicklung eines maßgeschneiderten LLM, die Erwägung einer generativen KI von der Stange oder die Zusammenarbeit mit Spezialisten.
– Pierre Ruhlmann, Chief Operating Officer, BNP Paribas, France

Der Entwurf der Algorithmenschicht für eine WI-Initiative beginnt mit der Auswahl des richtigen großen Sprachmodells (LLM). Typischerweise wird diese Entscheidung durch die Phase einer KI-Initiative beeinflusst (Abbildung 3).

Sondierungsphase. Viele Banken kaufen Standardlösungen wie Chatbots, Betrugserkennungsplattformen und andere, die auf spezifische KI-Anforderungen zugeschnitten sind. Standardlösungen bieten sofortige Verfügbarkeit, aber nur begrenzte Kontrolle.

KI-Skalierungsphase. In der Skalierungsphase arbeiten Banken am häufigsten mit LLM-Spezialisten zusammen, um die KI-Entwicklung zu beschleunigen und Fachwissen zu erwerben. Dies führt zu einer KI, die auf der Grundlage bankinterner Daten kalibriert wird und eine Feinabstimmung ermöglicht, um bessere, maßgeschneiderte menschliche Interaktionen zu liefern.

Phase der Industrialisierung. Obwohl sich nur etwa 10 % der für den World Retail Banking Report 2024 befragten CXOs dafür entschieden haben, ein maßgeschneidertes LLM von Grund auf neu zu entwickeln, bietet diese Option der Industrialisierungsphase die größte Eigenverantwortung und Anpassungsfähigkeit. Es überrascht nicht, dass dieser Weg auch erhebliche Investitionen in Ressourcen erfordert.

Unabhängig davon, für welchen Weg sich eine Bank entscheidet, erfordert der Erfolg eine langfristige strategische Vision. Dazu gehört eine umfassende Bewertung der spezifischen Anforderungen, der verfügbaren Ressourcen, der Modellierungsfähigkeiten, der Risiko- und Compliance-Überlegungen sowie der Kostenanalyse. Nach der Implementierung einer KI-Anwendung ist die Überwachung der Anwendung im Hinblick auf kontinuierliche Verbesserungen und Kurskorrekturen ebenfalls entscheidend, um die gewünschten Geschäftsergebnisse und -ziele zu erreichen.

Abbildung 3: Drei typische Vorgehensweisen

Quelle: Capgemini Research Institute for Financial Services Analysis, 2024; World Retail Banking Report CXO survey

4. Aufbau einer effektiven Governance

Erklärbare KI (XAI) im Bankwesen ist unerlässlich, um das Risiko von Verzerrungen zu verringern und das Vertrauen zu stärken. Sie beschleunigt die Einführung von KI und sorgt für transparente Entscheidungen, Compliance und eine kollaborative Umsetzung in der Branche.
– Cormac Flanagan, Global Head of Product Management, Temenos, Ireland

Die rasche Entwicklung von KI-Anwendungen führt dazu, dass sie schnell die Grenzen des menschlichen Verständnisses überschreiten und Entscheidungen treffen, die für den Menschen schwer zu interpretieren, geschweige denn zu kontrollieren sind. Um dieses Phänomen einzudämmen, müssen KI-Anwendungen sorgfältig verwaltet und überwacht werden, um sicherzustellen, dass die Entscheidungen erklärbar sind. Erklärbare KI stellt sicher, dass Menschen die Ergebnisse schnell verstehen und gegebenenfalls korrigieren können.

Neben der Erklärbarkeit ist es für Banken wichtig, verschiedene andere Kategorien von KI-Risiken zu überwachen und zu steuern. Dazu gehören verzerrte und diskriminierende Ergebnisse, Halluzinationen mit ungenauen Ergebnissen, Eingriffe in die Privatsphäre und böswillige Nutzung.

Um KI und generative KI-Anwendungen effektiv steuern zu können, ist es natürlich notwendig, ein robustes und umfassendes Set an KPIs zu entwickeln und kontinuierlich weiterzuentwickeln. Hier hinken die Banken deutlich hinterher. Der World Retail Banking Report 2024 von Capgemini zeigt, dass nur 6% der Banken KPIs eingeführt haben, um die Auswirkungen von generativer KI zu messen und kontinuierlich zu überwachen (Abbildung 4). Es liegt auf der Hand, dass der Entwicklung und Implementierung von KPIs mehr Aufmerksamkeit geschenkt werden muss, um Risiken und unbeabsichtigte Folgen zu minimieren.

Abbildung 4: Banken hinken bei KPIs zur Steuerung von KI und generativer KI hinterher

Quelle: Capgemini Research Institute for Financial Services Analysis, 2024; World Retail Banking Report 2024 CXO survey

Einen ganzheitlichen Roadmapping-Ansatz verfolgen

Obwohl alle hier besprochenen Elemente der Roadmap technologische Gemeinsamkeiten aufweisen, ist es für die Entwicklung eines ganzheitlichen Plans notwendig, bei jedem der vier Elemente auch auf den Menschen ausgerichtete Aspekte zu berücksichtigen.

Stellen Sie sicher, dass Faktoren wie Veränderungsmanagement, Ausbildung und kulturelle Bereitschaft berücksichtigt werden, da sie oft die entscheidenden Faktoren für eine erfolgreiche Transformation sind.

Obwohl die heutigen, noch jungen KI-Initiativen bereits erhebliche Vorteile bringen, ist die unternehmensweite KI das Sprungbrett zum autonomen und intelligenten Banking. Sobald Banken diesen Reifegrad erreicht haben, können sie KI nicht nur nutzen, sondern auch als Wettbewerbsvorteil einsetzen.

Aktuelle Beispiele für selbststeuernde Angebote sind “Bconomy” von BBVA und die Partnerschaft der Santander Bank mit Personetics, die zeigen, wie hochgradig personalisierte Customer Journeys und Omnichannel-Engagement zu echter Kundenzentrierung führen können.

Um die KI-Ziele Ihrer Bank zu erreichen, sollten Sie mit einer umfassenden KI-Roadmap beginnen. Durch den Einsatz moderner Technologien, die Überwindung der wichtigsten Datenhürden und die Einführung einer effektiven Governance können Banken ihren intelligenten Transformationsprozess erfolgreich abschließen und schließlich KI nutzen, um die Zukunft der Branche neu zu definieren. Es ist eine aufregende Zeit für alle im Bankensektor.