Die Skalierung von KI im Finanzdienstleistungssektor beginnt mit Governance und Architektur

Die eigentliche Herausforderung bei der Skalierung von KI im Finanzdienstleistungssektor liegt in der zugrundeliegenden Datenbasis. Unternehmen haben Schwierigkeiten, fragmentierte Daten zu vereinheitlichen, strenge Governance-Vorgaben durchzusetzen und die Beobachtbarkeit über Jahrzehnte alte Altsysteme hinweg aufrechtzuerhalten.

Thomas Mathew, Senior Director für Cloud-Lösungen im Finanzdienstleistungssektor bei Microsoft, bringt es auf den Punkt: „Die meisten Unternehmen scheitern im Bereich der künstlichen Intelligenz nicht, weil ihnen Daten fehlen, sondern weil sie den Daten, über die sie bereits verfügen, nicht ausreichend vertrauen und diese nicht richtig interpretieren können.“

Eine schlechte Datenqualität führt nicht nur zu ungenauen Ergebnissen. Dies untergräbt das Vertrauen der Nutzer, zieht die Aufmerksamkeit der Aufsichtsbehörden auf sich und macht es schwierig, die gesamten Investitionen in KI zu rechtfertigen. Für CIOs, CTOs und CDOs, die sich in einem stark regulierten Umfeld bewegen, ist dies ein inakzeptables Risiko.

Die erste Welle der KI-Einführung im Finanzdienstleistungssektor konzentrierte sich stark auf kundenorientierte Anwendungen: Chatbots, Personalisierung und digitale Assistenten. Unternehmen stellten schnell fest, dass der Einsatz dieser Tools ohne eine solide Backend-Architektur zu Fehlfunktionen, Verstößen gegen Compliance-Vorschriften und steigenden Kosten führt.

Der Schwerpunkt hat sich inzwischen verlagert. Daten von IDC bestätigen dies: Unternehmen räumen nun Infrastruktur, Daten und Governance Vorrang vor Innovationen im Front-Office-Bereich ein. Das Kundenerlebnis, das noch vor einem Jahr in Bezug auf die Budgetpriorität den letzten Platz belegte, hat an Bedeutung gewonnen – allerdings erst, nachdem die Unternehmen erkannt hatten, dass sie zunächst das Backend in Ordnung bringen mussten.

Insights bei IDC, bezeichnet dies als strategische Notwendigkeit: „Behandeln Sie KI als unternehmensweite Kompetenz und nicht als Technologie. Stellen Sie sicher, dass alle erforderlichen Rahmenbedingungen geschaffen sind, und suchen Sie dann nach den Experten, die Ihnen dabei helfen können, den tatsächlichen geschäftlichen Nutzen aus der KI zu ziehen.“

Dies ist der entscheidende Punkt, der Unternehmen, die echte Fortschritte erzielen, von denen unterscheidet, die noch immer vereinzelte Experimente durchführen.

Finanzdienstleistungsunternehmen verfügen über riesige Datenmengen, die jedoch häufig isoliert, unstrukturiert oder veraltet sind. Um dieses Problem zu lösen, muss eine einheitliche Plattform Informationen aus dem gesamten Unternehmen erfassen und organisieren.

Wenn Unternehmen leistungsstarke Suchfunktionen wie die semantische Suche implementieren, können ihre Modelle auf genaue, relevante und aktuelle Quellen zurückgreifen. Dadurch werden Rohprotokolle und Dokumente in verwertbare Erkenntnisse umgewandelt.

In regulierten Umgebungen darf Governance nicht als Nebensache behandelt werden. Ihre Architektur muss Regeln zur Datenhoheit, Zugriffskontrolle und zum Datenschutz automatisch durchsetzen. Eine wirksame KI-Governance erfordert rollenbasierte Zugriffskontrollen und lückenlose Prüfpfade. Diese Kontrollmaßnahme schützt das Unternehmen und ermöglicht sichere Innovationen.

Fragmentierung ist der Feind der Skalierung. Wenn verschiedene Teams unterschiedliche Tools verwenden, entstehen blinde Flecken, und die Untersuchung von Betrug oder Systemausfällen wird zu einem langsamen, manuellen Prozess. Die Zusammenführung von Metriken, Protokollen und Traces auf einer einzigen Platform hilft Teams bei der Entwicklung von Modellen zur Zustandsprognose und Anomalieerkennung.

So hat beispielsweise einer der größten Sach- und Haftpflichtversicherer in den USA eine Partnerschaft mit Kyndryl, Elastic und Microsoft geschlossen, um diesen einheitlichen Ansatz umzusetzen. Die Ergebnisse waren beeindruckend: Sie reduzierten die Anzahl der Vorfälle um etwa 5.000 pro Jahr und stellten fest, dass 90 % ihrer früheren Ausfälle hätten verhindert werden können.

Die KI-Strategie im Finanzdienstleistungssektor verlagert sich von generativen zu agentenbasierten Systemen. Diese autonomen Agenten beantworten nicht nur Fragen, sondern beobachten, analysieren und führen komplexe Workflows aus, wie beispielsweise die Automatisierung von Schadensfällen oder die Untersuchung von Sicherheitsbedrohungen.

Autonomie birgt jedoch neue Risiken. Agentische Systeme benötigen Echtzeitkontext, strenge Sicherheitsvorkehrungen und eine Eskalation mit menschlicher Einbindung bei Entscheidungen mit hohem Risiko. Nur wenige automatisierte Systeme im Finanzdienstleistungssektor arbeiten ohne menschliche Aufsicht, insbesondere wenn es um sensible Kundendaten, potenzielle finanzielle Verluste, wichtige Kreditentscheidungen oder die Nachvollziehbarkeit gegenüber den Aufsichtsbehörden geht.

Tim Brophy, Principal Solutions Architect bei Elastic, empfiehlt einen pragmatischen Ansatz: „Fangen Sie klein an. Beginnen wir mit einem kleinen Projekt und einem kleinen Anwendungsfall und entwickeln wir diesen schrittweise weiter, bis er an Umfang gewinnt … denn der Anwendungsfall ist nur so stark wie der Kontext, in dem er eingesetzt wird.“

Eine gut beobachtbare KI-Architektur – eine, die nachverfolgt, wie Agenten Entscheidungen treffen und auf welche Daten sie zugreifen – ist für einen sicheren Einsatz in großem Maßstab unerlässlich.

Der „Search AI Lake“ von Elastic bündelt Daten aus dem gesamten Unternehmen. Mithilfe von maschinellem Lernen beschleunigt er die Ursachenanalyse und erkennt Muster, die Menschen möglicherweise übersehen würden. Wenn alle Telemetriedaten an einem Ort zusammengeführt sind, kann die KI Anomalien erkennen, bevor diese zu größeren Ausfällen oder Sicherheitsvorfällen führen.

Dieser einheitlicher Ansatz unterstützt zudem verschiedene Anwendungsfälle. Wie Brophy erläutert, kann dieselbe Grundlage, sobald die Daten für die Observability konsolidiert sind, auch für Sicherheitsanalysen, Betrugserkennung und KI-gestützte Suche genutzt werden. Dadurch entfällt die Notwendigkeit einer kompletten Neugestaltung der Architektur.

Die Einführung von KI im Finanzdienstleistungssektor ist nicht nur eine IT-Initiative; sie erfordert die Zusammenarbeit zwischen den Teams aus den Bereichen Geschäft, Daten, Sicherheit und Compliance. Einzelne Projekte scheitern oft, weil sie die Bedürfnisse des gesamten Unternehmens nicht berücksichtigen.

Niloy Sengupta, Vice President und Leiter des Bereichs Modernisierung von Finanzdienstleistungen bei Kyndryl, drückt es so aus: „Wenn nur eine Seite des Unternehmens versucht, etwas umzusetzen, sind die Chancen auf eine unternehmensweite Akzeptanz geringer, als wenn alle gemeinsam daran arbeiten.“

Erfolgreiche Unternehmen schaffen Umgebungen, in denen Teams gemeinsam Lösungen entwickeln. Mithilfe gemeinsamer Plattformen bauen sie Silos ab und stellen sicher, dass KI-Projekte mit den Unternehmenszielen und gesetzlichen Anforderungen im Einklang stehen.

Die Komplexität moderner Finanzarchitekturen bedeutet, dass nur sehr wenige Organisationen alles intern aufbauen können. Das Tempo des Wandels, von neuen Agent-zu-Agent-Protokollen bis hin zu sich entwickelnden regulatorischen Rahmenwerken, erfordert spezialisiertes Fachwissen, das im eigenen Haus schwierig und unnötig kostspielig zu pflegen ist.

Die Zusammenarbeit innerhalb des Ökosystems zwischen Softwareanbietern, Cloud-Anbietern und Systemintegratoren ist unerlässlich. Plattformen wie Elastic, die auf Microsoft Azure laufen und von Kyndryl verwaltet werden, bieten vorgefertigte Integrationen, bewährte Referenzarchitekturen und Support auf Enterprise-Niveau. Diese Partnerschaften reduzieren das Implementierungsrisiko und beschleunigen die Time-to-Value.

Die Finanzdienstleister, die in der nächsten Ära der KI erfolgreich sein werden, sind diejenigen, die ihren Datengrundlagen jetzt Priorität einräumen. Durch Investitionen in eine einheitliche Suche, umfassende Beobachtbarkeit und eine strenge finanzielle KI-Governance schaffen sie die für autonome Systeme erforderliche robuste Architektur. Dieser Ansatz reduziert Risiken, verbessert die betriebliche Effizienz und führt zu messbaren Geschäftsergebnissen.

Der Weg vom Experimentieren bis zur Umsetzung erfordert eine klare Strategie und eine funktionsübergreifende Ausrichtung. Dazu muss KI als Kernkompetenz des Unternehmens behandelt werden, unterstützt durch die richtige Technologie und die richtigen Partner.

Die Organisationen, die wirkliche Fortschritte erzielen, warten nicht auf einen perfekten Plan. Sie fangen klein an, regieren umsichtig und bauen auf einem Fundament auf, dem sie vertrauen können.