Wie Banken mit generativer KI neue Ertragsquellen erschließen

Seit vielen Jahren nutzen Banken Advanced Analytics, maschinelles Lernen (ML) und künstliche Intelligenz (KI), um in zahlreichen Geschäftsbereichen operative und leistungsbezogene Verbesserungen zu erzielen. Mit KI können Banken bessere Einblicke gewinnen, die Effizienz steigern und eine persönlichere Customer Experience bieten, indem sie große Datenmengen scannen und analysieren, mehr Funktionen automatisieren und innovative Produkte und Dienstleistungen anbieten.

Während Banken bereits verschiedene Formen von KI einsetzen, einschließlich Predictive Analytics und Chatbots, steht jetzt die generative KI im Fokus. Sie ist sozusagen ein Newcomer – und Banken versuchen herauszufinden, wie sie ihn am besten nutzen können. Dies hat zu einigen Diskussionen rund um generative KI geführt. Ist sie ein Allheilmittel oder nur ein neues Werkzeug im Handwerkskasten? Wenn wir Banken dazu beraten, wie sie KI verantwortungsvoll nutzen können, wird offensichtlich, dass generative KI nichts anderes als ein Werkzeug ist – allerdings ein sehr mächtiges, das deshalb mit Bedacht eingesetzt werden muss. Darüber hinaus zeigt sich, dass generative KI mehr kann, als bestehende Businessfunktionen zu verbessen: Sie kann und sollte Banken neue Ertragsquellen erschließen. Das CGI Framework zum verantwortungsvollen Umgang mit KI hilft sicherzustellen, dass die Lösungen transparent, zuverlässig, sicher und stabil sind. In diesem Blogartikel werde ich einige Einblicke in das umsatzsteigernde Potenzial von verantwortungsvoll genutzter generativer KI geben.

Der Schritt zur generativen KI

Aufgrund der Leistungsstärke generativer KI investieren die meisten Banken hier besonders. Sie führen Proof-of-Concept-Versuche oder Pilotprojekte mit generativer KI durch, um ein Gefühl dafür zu bekommen, wie die Technologie funktioniert und wie sie eingesetzt werden kann, um auf verantwortungsvolle Weise zuverlässige Ergebnisse zu erzielen.

Zum Beispiel gibt es eine Bank, die generative KI einsetzt, um mit verbesserter Betrugserkennung und -prävention über 100 Millionen US-Dollar jährlich einzusparen. Andere Banken nutzen generative KI, um die Customer Experience zu verbessen – zum Beispiel, indem sie mehr Kundenanfragen an Chatbots weiterleiten (und es dadurch menschlichen Agentinnen und Agenten ermöglichen, komplexere Anfragen zu bearbeiten, die menschliches Feingefühl und Empathie erfordern). Weitere Anwendungsfälle, bei denen CGI bei Kunden beteiligt ist, sind

• die Code-Modernisierung (Migration von Legacy Code auf neue Technologien),
• das Generieren von Metadaten und technischen Dokumentationen,
• das Bereitstellen von fachlichem Support für Agentinnen und Agenten,
• das Migrieren von Daten in die Cloud und
• das Vereinfachen des Zugangs zu Bankenprodukten und -services für Kundinnen und Kunden.

Banken setzen generative KI in Bereichen ein, die sie kennen und verstehen – mit dem Ziel, das zu verbessern, was sie bereits tun. Aus der Perspektive des Risikomanagements ist das eine vernünftige Vorgehensweise bei der Einführung einer neuen Technologie. Doch dies ist nur der Einstieg in das, was sich mit generativer KI erreichen lässt. Generative KI kann nicht nur das verbessern, was Banken gerade tun. Sie kann Bereiche transformieren, die wesentlich für das profitable Wachstum und das Überleben einer Bank sind, wie etwa das Erschließen neuer Ertragsquellen (lesen Sie hierzu auch unser Whitepaper „Embedded Finance“).

Immer mehr Non-Banks begeben sich in den Bankensektor, wodurch sich der Wettbewerb bei den traditionellen Bankdienstleistungen weiter verstärkt. Als Antwort darauf bewegt sich eine zunehmende Anzahl an Banken aus dem traditionellen Bankenmarkt heraus, indem sie ihre Dienstleistungen in die Workflows anderer Unternehmen einbindet (z. B. in Kauf- und Finanzierungsprozesse, Stichwort: Embedded Finance). Wenn Banken generative KI nutzen, um sowohl gegenüber Non-Banks zu bestehen als auch ihre eigenen Märkte zu erweitern, können sie gleichzeitig ihre Effizienz steigern, neue Produkte und Dienstleistungen entwickeln und die Customer Experience mit Innovationen verbessern. Die übergeordneten Ziele sind eine bessere Kundengewinnung und -bindung sowie, natürlich, mehr Umsatz.

Herausforderungen bei der intensiveren Nutzung von generativer KI

Wenn der Fokus der Nutzung generativer KI nicht mehr nur auf operativen und leistungsbezogenen Verbesserungen, sondern auf der Erschließung neuer Ertragsquellen liegen soll, bringt dies einige Herausforderungen mit sich. Zunächst erfordert es Vorstellungskraft und Investitionen. Banken müssen sich die Möglichkeiten vorstellen und in die Identifizierung sowie in die Erstellung von Prototypen und in die Feinjustierung neuer Funktionen und Angebote investieren. Damit geht einher, dass Risiken mit automatisierten Simulationen und menschlichen Tests bewertet werden müssen. Zudem müssen Menschen in die KI-gestützte Entscheidungsfindung eingebunden sein, um sicherzustellen, dass die KI-Parameter korrekt sind und bleiben. Darüber hinaus gilt es, sich mit den „Ghosts in the Machine“ auseinanderzusetzen – das heißt, mit unbeabsichtigten Folgen, die es bei der Nutzung generativer KI geben kann, wenn der beabsichtigte Zweck eines Systems überschritten wird.

Ein so hohes Maß an Kreativität und Innovation in freier Form anzustreben, ist in regulierungsorientierten und risikoscheuen Branchen wie dem Bankensektor nicht üblich – aber unvermeidlich, wenn es darum geht, das Potenzial generativer KI auszuschöpfen. Die Nutzung von Best Practices und das Festlegen eindeutiger Leitplanken ermöglichen es, die neuen KI-Technologien auf sichere und zuverlässige Weise zu erforschen. Zum Beispiel können und sollten Frameworks zum verantwortungsvollen Umgang mit KI in die Bewertung der Anwendungsfälle eingebaut werden.

Eine weitere Herausforderung ist die Finanzierung. Es ist nicht leicht, um Geld für eine Angeltour zu bitten – vor allem nicht, wenn man sich nicht zu 100 Prozent sicher ist, was und wo man angeln möchte und was dabei herauskommen wird. Beim Erstellen eines Business Case für generative KI ist es wichtig, angemessene Grenzen zu setzen, damit man am Ende nicht den gesamten Ozean erforscht, und klare ROI-Ziele und -Metriken zu definieren, damit man den Erfolg messen und davon profitieren kann.

Auch das Tempo ist eine große Herausforderung. Da Banken alle 90 Tage anhand ihrer Quartalsberichte bewertet werden, stehen Experimente mit generativer KI unter dem Druck, sich schnell bezahlt zu machen. Hinzu kommt, dass Banken vor der Herausforderung stehen, Kosten zu sparen und Risiken zu minimieren. Sinkende Kosten für die Rechenleistung verbunden mit einer größeren Verfügbarkeit der Cloud erleichtern es Banken, Large Language Models (LLMs) zu nutzen, um neue Möglichkeiten aufzuspüren. Trotzdem können diese Bemühungen zu höheren Kosten und Risiken führen.

Empfehlungen zur Erschließung neuer Ertragsquellen

Wie können Banken diese Herausforderungen überwinden und generative KI effektiv nutzen, um neue Ertragsquellen zu erschließen? Hier sind einige Empfehlungen, basierend auf unserer Arbeit mit Banken im Bereich generative KI:

1. Blicken Sie über Ihr Geschäftsfeld hinaus, um neue Ertragsmöglichkeiten zu entdecken. Erfolg mit generativer KI setzt voraus, dass man die ausgetretenen Pfade verlässt und neues Gebiet erkundet. Dies gilt besonders für den Bankensektor, wenn man bedenkt, wie langsam sich der Markt verändert und wie schnell neue Marktteilnehmer hinzukommen. Generative KI, die verantwortungsvoll konzipiert und eingesetzt wird, ermöglicht es mit ihren leistungsstarken Daten- und Automatisierungsfunktionen, neue Märkte zu erkunden. Wenn Sie über Ihr Geschäftsfeld hinausblicken, neue Horizonte entdecken und mithilfe von generativer KI das Terrain analysieren, können Sie neue Wege finden, Ihre Märkte und Angebote zu erweitern, und neue Ertragsquellen erschließen.
2. Setzen Sie wohlüberlegte und sinnvolle Grenzen in Bezug auf Marktchancen und Zeit, damit Sie schnell und kosteneffizient handeln können. Wenn Sie Marktchancen entdeckt haben, die Sie mit generativer KI verfolgen wollen, sollten Sie festlegen, welche Elemente davon Sie angehen und wie viel Zeit Sie dafür investieren wollen. Wollen Sie ein bestimmtes Element verfolgen, das genau definiert ist, oder benötigen Sie für Ihre Strategie für generative KI einen breiteren Ansatz? Gezielte Bemühungen haben in der Regel kürzere und klarere Feedbackschleifen als allesumfassende Strategien, wodurch sich Ihre Chancen auf schnelle Erfolge erhöhen. Im Zuge der Weiterentwicklung generativer KI können diese Aktivitäten beschleunigt werden, indem KI zum Simulieren von Marktdurchdringungsraten und Vertriebszyklen eingesetzt wird, um ihren Teams genauere Anhaltspunkte zu liefern, wie erfolgreich Ihre Vorhaben sein werden – noch bevor das Projekt startet.
3. Schnell scheitern und vorankommen. Lernen Sie beim Einsatz generativer KI aus jeder Iteration, verfeinern Sie die Prompts, die zur Interaktion mit den Lösungen genutzt werden, und nutzen Sie die gewonnenen Erkenntnisse für die nächste Iteration. Stellen Sie zum Beispiel bei jeder Iteration sicher, dass Suchparameter besser definiert, enger eingebunden und somit letztlich auch funktionsfähiger sind.
    

Es geht um die Margen

Es gibt zwar verschiedene Margen, an denen sich der Erfolg einer Bank bemisst, aber an den Börsen sind die Gewinnmargen das Entscheidende. Eine Bank kann ihre Gewinnmarge erhöhen, indem sie ihre Kosten reduziert und/oder ihren Ertrag erhöht. Generative KI macht beides möglich – und das auf eine Weise, die Risikovermeidung und Geschäftserfolg berücksichtigt und miteinander verbindet. Während sich heute viele Banken auf die Kostenoptimierung durch generative KI konzentrieren, ist der Einsatz der Technologie zur Ertragssteigerung eine noch wenig genutzte Chance.

Wenn Sie mehr darüber erfahren möchten, wie CGI Banken dabei unterstützt, diese Chance zu ergreifen, kontaktieren Sie meinen deutschen Kollegen Malte Sickert oder mich sehr gerne.