ChatGPT und Low-Code-Anwendungen sind vielfältig nutzbar und versprechen die digitale Transformation der Banken zu beschleunigen. Wie jede neue Technologie sind aber auch diese nicht frei von Fehlern. Die Frage, die sich stellt: Lohnt sich das Risiko?
ChatGPT und Low-/No-Code sind aktuelle Trends in der Finanzbranche.
Partner des Bank Blogs
Es ist nicht lange her da galten Kryptowährungen und Blockchain-Technologie als Heilsbringer der Finanzindustrie. Zwar gibt es mittlerweile die ersten Use Cases im Zahlungsverkehr internationaler Banken, außer als Spekulationsinstrument haben die Technologien jedoch nicht wirklich in der Finanzindustrie Fuß fassen können. Nun beherrschen ChatGPT 3.5, Künstliche Intelligenz und andere GPT-Modelle die Schlagzeilen. Aber auch Low-Code- und No-Code-Anwendungen (LC/NC) sind in den letzten Jahren verstärkt in den Fokus der Öffentlichkeit gerückt.
Generative AI als Transformationsbeschleuniger
Bei ChatGPT handelt es sich um ein KI-gesteuertes großes Sprachmodell (LLM) von OpenAI, das auf einer GPT-Architektur (Generative Pre-trained Transformer) basiert. Generative Sprachmodelle lernen durch riesige Mengen an Trainingsdaten Muster in der Sprache zu erkennen, um Eingaben zu verstehen und menschenähnlich klingend zu beantworten. Der potenzielle Nutzen dieser Modelle besteht darin, Routineaufgaben effizienter und effektiver zu erledigen und komplexere Aufgaben, wie das Erstellen von Analysen und Risikomodellen, zu vereinfachen und zu beschleunigen.
LC/NC-Anwendungen versprechen Software-Entwicklung mit minimalem manuellem Programmieraufwand. Sie kombinieren visuelle Schnittstellen mit vorgefertigten Backend-Infrastrukturen und erlauben damit auch nicht-Programmierern die Entwicklung von Software. So verzichten NC-Anwendungen vollständig auf den Gebrauch von Programmiersprachen, wohingegen LC-Anwendungen eine Brücke zwischen traditioneller Programmierung, also einer individuelle Anpassung mit Code, und vorgefertigten Baukastenelementen schlagen.
Revolutioniertes Kundenerlebnis
Für Banken sind diese Technologien zum einen ein Tor zu einem besseren Kundenerlebnis und einem erweiterten Dienstleistungsangebot, zum anderen ermöglichen sie neue Wege für die Rationalisierung interner Abläufe.
Banken können mithilfe von GPT-Modellen KI-gesteuerte Chatbots für den 24/7-Kundensupport anbieten, Dienste und Kommunikation individualisieren und sogar vollautomatische Beratung leisten. Durch die Automatisierung von Routineaufgaben wie der Beantwortung von Kundenanfragen und der Erstellung personalisierter Produktvorschläge, können GPT-Modelle Banken dabei unterstützen, ihren Fokus auf hochqualitative Beratung zu legen und somit stärkere Beziehungen zu ihren Kunden aufzubauen. Einige Banken haben dieses Potenzial bereits erkannt und planen erste Chatbots mit GPT-Architektur für den dialogbasierten Kundensupport. GPT-Modelle können aber auch genauso gut für den internen Support Desk oder das generelle Knowledge Management genutzt werden, um die eigenen Mitarbeitenden bei der Suche nach Dokumenten oder der Beantwortung von Fragen zu unterstützen.
LC/NC-Anwendungen ermöglichen es Banken, in kürzester Zeit maßgeschneiderte Softwarelösungen zu entwickeln, ohne dass umfangreiche IT-Ressourcen erforderlich sind. Sie können beispielsweise Entwicklerteams entlasten, indem sie die repetitiven und banalen Aspekte der Programmierung übernehmen und somit Zeit für höherwertige Aufgaben schaffen. Angesichts des stetig wachsenden Fachkräftemangels, insbesondere in der IT, kann das ein Schlüsselfaktor bei der immer noch andauernden Bankentransformation sein. LC/NC-Anwendungen befähigen aber vor allem auch nicht-technisches Bankpersonal, sich am Innovationsprozess zu beteiligen und demokratisieren damit die Softwareentwicklung. Alltägliche Aufgaben wie die Dokumentenprüfung, Dateneingabe oder Berichterstellung können so in Zukunft eigenständig und bedarfsgerecht automatisiert und sogar mobile Banking-Apps können entwickelt werden.
Probieren und Studieren
Wie jede neue Technologie sind aber auch GPT-Modelle und Low-/No-Code-Anwendungen noch nicht ausgereift und bringen auch einige handfeste Herausforderungen mit sich.
So fehlt es GPT-Modellen an einem echten Verständnis oder Bewusstsein. Sie erzeugen Antworten auf der Grundlage von Datenmustern und nicht, weil sie die Frage wirklich verstehen. Folglich können sie irreführende oder falsche Antworten geben, insbesondere in komplexen, nuancierten Situationen, wie sie im Bankgeschäft üblich sind. Auch beim Autonomie-Level von GPT-Modellen ist Vorsicht geboten: Ohne entsprechende Einschränkungen könnte ein Kundenservice-Bot versehentlich Zusagen machen, die von der Bank nicht eingehalten werden können.
Weitere wesentliche Herausforderungen stellen der Datenschutz, Sicherheit und die Einhaltung gesetzlicher Vorschriften dar. Da GPT-Modelle große Mengen an persönlichen und sensiblen Daten verarbeiten, müssen Banken sicherstellen, dass die Modelle nicht gegen bestehende Datenschutzrechte verstoßen oder gar versehentlich vertrauliche Informationen preisgeben. So ist beispielsweise auch bei der Nutzung im Bewerbungsprozess Achtung geboten. Denn die DSGVO untersagt die Entscheidung über eine Bewerberin/einen Bewerber im Rahmen eines voll automatisierten Prozesses.
Bei LC/NC-Anwendungen sollte vor allem auf Sicherheitsschwachstellen in den Code-Bausteinen geachtet werden, da die einzelnen Bausteine in ihrer Qualität stark variieren können. Außerdem muss auch Software, die mit LC/NC-Anwendungen entwickelt wurde, den Vorgaben der Bankenaufsicht entsprechen. Die Sicherstellung dieser Konformität kann angesichts der Blackbox-Natur einiger LC/NC-Anwendungen eine komplexe Aufgabe sein. Am Ende des Tages sind also wieder IT-Fachkräfte gefordert.
Sicherung der Zukunftsfähigkeit durch Einbindung neuer Technologien
Nichtsdestotrotz sollten die Technologien nicht von vornherein abgeschrieben werden. Sowohl GPT-Modelle als auch LC/NC-Anwendungen bieten das Potenzial, die Kluft zwischen Technologie und Bankgeschäft zu überbrücken und die digitale Transformation der Banken zu beschleunigen.
Wesentlich hierfür ist die Schaffung von Räumen, um die neuen Technologien auszuprobieren und individuelle Anwendungsfälle für das eigene Geschäft zu identifizieren. Hierfür ist die Weiterbildung der Mitarbeitenden unabdingbar. Denn auch wenn die Anwendungen intuitiv sind, müssen doch auch Kompetenzen aufgebaut werden. Ist das gewährleistet, steht der Entdeckung neuer Möglichkeiten nichts mehr im Weg.
Trotz des Hypes sollte jedoch nie aus den Augen verloren werden, dass keine Technologie allein die Lösung sein kann. Nur eine ganzheitliche Betrachtung von Kunden, Mitarbeitenden, Technologien und wirtschaftlichen Nutzen kann langfristig eine erfolgreiche digitale Transformation der Banken gewährleisten.
Julian Drewello
Julian Drewello ist Koautor des Beitrags. Er ist Consultant bei Horváth im Bereich Banking & Financial Institutions und arbeitet an Strategie- und Transformationsprojekten. Vor seinem Studium war er bei der BBBank in der Kundenberatung tätig.
Partner des Bank Blog – Horváth & Partners Management Consultants
Mehr über das Partnerkonzept des Bank Blogs erfahren Sie hier.
