Künstliche Intelligenz ist ein wichtiger Trend innerhalb der Digitalisierung und demzufolge in aller Munde. Die richtige Einordnung in den Finanzsektor steckt derzeit allerdings noch voller Herausforderungen.
Der Einsatz Künstlicher Intelligenz in der Finanzdienstleistung ist viel mehr als nur ein Hype.
Partner des Bank Blogs
Kein Tag vergeht, an dem das Thema „Künstliche Intelligenz“ nicht in Newslettern oder Blogs über Finanzdienstleistungen auftaucht. Das Spektrum reicht von der Überlegung, ob man sich überhaupt damit beschäftigen solle, bis hin zur überzeugten Aussage, hier stehe der nächste Jobkiller schon in der Türe.
Künstliche Intelligenz ist mehr als ein Hype
Ein vertiefter Blick zeigt: KI ist sicher viel mehr als ein Hype. Denn anders als zum Beispiel bei der Blockchain wird KI heute schon jeden Tag vielfach in der operativen Praxis eingesetzt. Schauen wir nur auf einige Beispiele:
- Robo Advice erlaubt inzwischen in der Vermögensverwaltung für Individualkunden das Durchlaufen eines Beratungsprozesses, der von der Erfassung der persönlichen Daten bis hin zur Empfehlung eines kompletten Anlageportfolios reicht.
- Chatbots ersetzen den Menschen in einer zunehmenden Zahl von Stellen im Kundenservice. Dabei spielt auch das Thema Spracherkennung eine wachsende Rolle.
- Textanalyse von Kundenbriefen dient nicht nur der Vorformulierung von Standard-Antworten. Sie wird in Piloten auch zur Erkennung von Gefühlslagen eingesetzt, um zum Beispiel drohende Kündigungsabsichten zu identifizieren.
- Robotic Process Automation ersetzt im Backoffice den denkenden Menschen bei zunehmend komplexen Arbeitsgängen.
- Das Erkennen von Fehlern (mit anschließender „Automatic Repair“) oder von Betrugsmustern gehört im Transaktionsgeschäft zum guten Standard.
Ohne Zweifel ist der Einsatz von KI vorangeschritten, weil die technischen Hürden inzwischen deutlich abgesenkt werden konnten. Die Rechenleistung erlauben inzwischen den Einsatz wesentlich komplexerer, damit aber auch zielgenauerer Algorithmen. Die Handhabbarkeit enormer Datenvolumina schafft die notwendige Basis für differenzierte und extrapolierbare Erkenntnisse. Hochleistungsrechner, komplexe Algorithmen und Big Data wirken also synergetisch zusammen. So verwundert es nicht, dass Gartner in seinem aktuellen „Hype Cycle for Emerging Technologies 2017“ die KI als einen der bedeutendsten Trends einordnet.
Drei Fehlerpotentiale beim Einsatz Künstlicher Intelligenz
Allerdings platziert Gartner die KI aktuell auf der Spitze des Hype Cycles. Der Absturz in das „Tal der Tränen“ ist also vorprogrammiert. Denn der Einsatz von künstlicher Intelligenz birgt hohes Fehlerpotential. Man kann vieles richtig, aber auch enorm viel falsch machen – sowohl bei der Priorisierung geeigneter Anwendungsfeldern als auch bei der Umsetzung darauf gerichteter Lösungen. Hier lassen sich leicht hohe Geldsummen und Personalressourcen fehlinvestieren. Drei Punkte sind dafür verantwortlich.
1. Künstliche Intelligenz ist klärungsbedürftig
Erstens ist schon die Definition von KI klärungsbedürftig. Manche sehen KI sehr eng, andere sehr breit. In einer sehr engen Definitionen wird KI beispielsweise mit nur einer Methodik gleichgesetzt, die momentan besonders en vogue ist: dem Deep Learning. Das gilt insbesondere, wenn ein Anbieter nur dieses Werkzeug im Portfolio hat. Eine wesentliche weitere Definition liefert auch heute noch der Turing-Test, hier vereinfacht dargestellt: Man setze einige Probanden vor Tastatur und Bildschirm, konfrontiere sie mit einem definierten Problem und schirme sie von der „anderen Seite“ ab, die einmal mit einem Menschen, zum anderen mit einem Computer besetzt sein kann. Wenn die Probanden nicht klar unterscheiden können, wer ihnen gegenübersitzt, so wird dem Computer für diese Domäne eine dem Menschen vergleichbare, eben künstliche Intelligenz bescheinigt. Die Definition des Turing-Tests liefert Ergebnisse, die sich über die Zeit ändern: Was gestern noch als KI eingestuft wurde, wird heute bereits oft als Computer-machbar eingeordnet.
2. Künstliche Intelligenz ist vielfältig
Zweitens sind die Methoden und Verfahren der KI außerordentlich vielfältig, oft konkurrierend, teilweise widersprüchlich: Sie reichen von dem besonders „gehypten“ Deep Learning über probabilistisches Schließen bis hin zum Einsatz vollständiger Entscheidungsbäume. Die Meinungen, welche Methode für welchen Anwendungsfall adäquat ist, gehen stark auseinander. Auch die Frage, wie man eine Methode für einen definierten Anwendungsfall optimieren sollte, führt zu heißen Diskussionen. Oftmals wirkt das Vorgehen zur Auswahl wie auch die Gestaltung des Einsatzes eher wie eine Kunst als wie eine Wissenschaft.
3. Schwierige Überprüfbarkeit des Erfolgs von KI
Drittens sind die bisher erzielten Ergebnisse sehr schwer zu prüfen und zu beurteilen. Dies gilt zum einen für die fachlich-qualitative Seite, und zwar sowohl für den heute erreichten Stand als auch für die erreichbaren Verbesserungspotentiale. Es gilt aber genauso für die Abschätzung des kommerziellen Nutzens sowohl heute als auch in der näheren Zukunft. In beiden Dimensionen gibt es starke Motivationen, sich mit Informationen zur Faktenlage zurückzuhalten.
Künstliche Intelligenz in früher Innovationsphase
Bei der Klärung der drei offenen Fragen kann man auch von den Anbietern von KI-Hardware und KI-Software nicht unbedingt Objektivität erwarten. Es ist nur zu verständlich, dass sie ihre teilweise hohen Vorab-Investments refinanzieren möchten. Außerdem sind sie häufig darauf angewiesen, ihre Lösungen erst beim Kunden von Prototypen zum wirklich produktivem Einsatz reifen zu lassen.
Die KI bewegt sich eben immer noch in einer frühen Innovationsphase, bei dem es angesichts von Breite und Tiefe des Feldes enormen Informations- und Analysebedarf gibt. Für den einzelnen Finanzdienstleister stellt sich die Frage, wie er am besten vorgehen sollte. Nichts tun ist auf jeden Fall falsch. Aber genauso falsch wäre es, sich in dieser Phase einzuschließen und in Eigenarbeit die Erkenntnis für den besten Weg zu gewinnen.
Viel besser geeignet ist in dieser Phase eine offene, eher wissenschaftliche Vorgehensweise: Erkenntnisse werden von mehreren Finanzdienstleistern gemeinsam gesammelt, offengelegt, analysiert und ebenso offen diskutiert. Wir bewegen uns also im typisch vorwettbewerblichen Bereich, in dem der Austausch von Wissen zwischen den Akteuren ökonomisch sinnvoller ist als die abgeschottete Geheimnis-Verwaltung beim einzelnen Akteur. Erst wenn eine gemeinsame Plattform von Wissen geschaffen ist, wird der Wettbewerb zum besseren Prinzip. Dies sollte man den Finanzdienstleistern ans Herz legen, die das Thema KI heute (zu Recht) angehen.
Der Beitrag erscheint zeitgleich im Fachjournal BIT (Banking Information and Technology) 3/2017 (November 2017) des ibi research.
Das Institut ibi research an der Universität Regensburg ist gerade ganz konkret dabei, ein Konsortialprojekt zum Thema Künstliche Intelligenz mit interessierten Finanzdienstleistern und Anbietern an den Start zu bringen. Damit soll der Prozess der Wissensfindung und Entscheidungsunterstützung noch deutlich intensiviert und beschleunigt werden. Wenn Sie mehr wissen wollen, sollten Sie schnell mit ibi research Kontakt aufnehmen!
