Nachhaltigkeit & KI – etablierter Trend statt „latest Buzz“

Nachhaltigkeit und künstliche Intelligenz sind kein Widerspruch, sondern immer mehr gelebte Realität im betrieblichen Alltag. Auch im Finanzsektor lässt sich KI auf Nachhaltigkeit und ethische Werte trainieren. Dabei bedarf es eines umfassenden Ansatzes und gelebter Verantwortung.

Nachhaltigkeit und Künstliche Intelligenz lassen sich miteinander verbinden

Partner des Bank Blogs

Soziale Verantwortung und nachhaltiges Wirtschaften sind als Wettbewerbsfaktor nichts Neues und tief im europäischen Wertefundament verankert. Als zugrunde liegendes Leitbild dient hierzulande oft der „ehrbare Kaufmann“, der die langfristigen Konsequenzen seiner Geschäftstätigkeit bereits internalisiert und somit den dauerhaften Erfolg über kurzfristige Gewinne stellt.

Nach den ersten drei Artikeln der kleinen Serie zu den Herausforderungen der Nachhaltigkeit für Banken

• Treiber für Profitabilität in der Zukunft
• Geschäftsmodelle im Wandel der Werte und
• Aktuelle Entwicklungen im Bereich Nachhaltigkeitsrisiken.

gehen wir jetzt auf den Einsatz Künstlicher Intelligenz ein.

Geschäftsmodelle im Wandel der Werte – Teil 4: Künstliche Intelligenz und Nachhaltigkeit.

Künstliche Intelligenz zur Unterstützung von Nachhaltigkeit

Bei der Einführung von Automatisierungsverfahren und Entscheidungsalgorithmen (zusammengefasst unter dem Begriff der Künstlichen Intelligenz, engl. Artificial Intelligence, AI) zur Unterstützung von Nachhaltigkeit im Bankensektor scheint zunächst ein Zielkonflikt zu bestehen: Insbesondere die Standardverfahren basieren auf eher simplen Optimierungsfunktionen, die nur kurzfristig reagieren können. Eine AI auf die Grundsätze des ehrbaren Kaufmanns hin zu trainieren, bedarf eines umfassenden Ansatzes und gelebter Verantwortung. Der scheinbare Konflikt lässt sich jedoch auflösen.

Nachhaltigkeit als Erfolgsfaktor und Wettbewerbsvorteil

Die Nachfrage nach verantwortungsvollen Investments und nachhaltigen Anlagen hat in den vergangenen Jahrzehnten stetig zugenommen und erstreckt sich von „Grünen Anleihen“ über Umweltaktien und -fonds, der Ausgabe von Mikrokrediten (keineswegs nur in Entwicklungsländern) bis hin zum Aspekt der sozialen Verantwortung von Unternehmen und Fonds, in die investiert werden soll.

Banken und Investmentgesellschaften haben diesen gesellschaftlichen Trend natürlich längst erkannt und bieten entsprechende Produkte an. Die üblichen AI-Techniken werden zur Analyse der Performance von Anlagen (bspw. Fonds von fossilen vs. nachwachsenden Rohstoffen) oder zur Begutachtung der entsprechenden Unternehmen (bspw. Textanalyse der Geschäftsberichte, Webseiten und Medien) verwendet.

Letztendlich wird das Produktportfolio dabei jedoch lediglich erweitert. Es ist streitbar, ob tatsächlich ein Umdenken im Finanzsektor stattgefunden hat oder ob die hohe Nachfrage nach „grünen Anleihen“ diese nicht zufällig zu den attraktivsten Produkten der letzten Jahre gemacht hat. Der Verdacht steht im Raum, dass ein kurzfristiges „Greenwashing“ stattfand und sich am Wesen des Optimierungsdenkens und entsprechenden AI-Funktionen (bspw. Algo-Trading) nichts Wesentliches geändert hat.

Nachhaltigkeit und Künstliche Intelligenz sind kein Widerspruch

Genau diese Unterscheidung zwischen nachhaltigem Unternehmertum und kurzfristiger Optimierung gilt es im Kontext von AI erfolgreich zu verstehen und umzusetzen. Aktuellen Studien zufolge wünschen sich 76 Prozent unserer Kunden klare Regulierungen für die Nutzung von AI und 62 Prozent würden ethischen AI-Anwendungen mehr Vertrauen schenken (Towards Ethical AI, Capgemini Research 2020).

Doch kann im Kontext von AI überhaupt ethisch-nachhaltig – also langfristig und sozialverantwortlich – gehandelt werden? Und wenn ja, wie? Die Antwort ist denkbar einfach: Es gilt, selbst nach den Grundsätzen des „ehrbaren Kaufmanns“ zu handeln. Dieses Handeln wird in Daten dokumentiert und die kann davon AI weiter lernen. Dafür sind nicht nur die eigenen Grundsätze transparent zu machen, sondern auch die Funktionsweisen der AI offen zu legen auf deren Empfehlungen letztendlich zahlreiche Entscheidungen basieren.

Das Konzept der Explainable AI (XAI)

An dieser Stelle sei mit dem landläufigen Gerücht aufgeräumt, dass die digitale Gesellschaft oftmals der „Willkür autonom agierender Algorithmen“ ausgesetzt ist. Für einen erfahrenen Data Scientisten ist diese Vorstellung geradezu befremdlich.

Unter XAI versteht man dementsprechend das gezielte Verständnis des zugrunde liegenden Algorithmus und die Deutbarkeit des Ergebnisses. Eine Interpretation sollte im Idealfall auch Laien zugänglich sein. Empirische Studien zeigen, dass die Verknüpfung von künstlicher und emotionaler Intelligenz ein Schlüsselbaustein für den Einsatz in der Finanzindustrie darstellt (Emotionale Intelligenz, Capgemini Research, 2019).

Von der Black-Box zu XAI

Um diese Nachvollziehbarkeit zu erreichen, gibt es eine Vielzahl an Optionen. So ist bspw. die Analyse der Gewichtung der einzelnen Klassifizierungsvariablen eine der gängigsten Analysen. Methoden wie SHAP (SHapley Additive exPlanations) oder LIME (Local Interpretable Model-Agnostic) erlauben außerdem die Dekonstruktion der Vorhersagen, um jeder Inputvariable einen entsprechenden Beteiligungsfaktor am Output zuzuordnen. Des Weiteren ist kontinuierliches Testen des Modells notwendig, um Reproduzierbarkeit der Ergebnisse sicherzustellen.

Allein diese drei genannten Möglichkeiten zeigen, dass der Prozess Einsatz und Expertise verlangt. Schließlich geht es nicht allein darum, das richtige Ergebnis (bzw. Vorhersage) zu erzielen, sondern nachvollziehen so können wie und warum ein entsprechendes Ergebnis erreicht wurde.

Ethische AI und ethisches Handeln durch AI

Jedwede Form der Entscheidungsunterstützungssysteme – ob Heuristik, einfacher Report oder fortgeschrittene AI – ist menschengemacht und basiert auf Fortschreibung der zu Grunde liegenden Situation (Daten) und Lernen (Erweiterung von Handlungsalternativen). Auf Basis der Kriterien der Europäische Kommission haben wir die sechs Bereiche für die Entwicklung von AI-Systemen ausdefiniert und für den Betrieb ein „Ethik Siegel“ entwickelt.

Sechs Säulen für ethische KI gemäß der Europäischen Kommission.

Das erste der Prinzipien erfordert die Überwachbarkeit und Entscheidungsfähigkeit über AI durch Menschen. AI soll datenbasierte Entscheidungshilfen bieten, dabei gezielt kontrolliert und zu jedem Zeitpunkt auch angehalten werden können.

Des Weiteren sind das Verhindern von Diskriminierung und die Förderung von Fairness zentraler Bestandteil. Auf den ersten Blick ein Paradox, da statistische Auswertungen ja selektieren und einzelne Variablen (bspw. Geschlecht) für die Vorhersage eines bestimmten Verhaltens nötig scheinen. Liegt jedoch ein nicht diskriminierendes Entscheidungsmodell zu Grunde, benötigen die deutschsprechenden Algorithmen auch kein diskriminierendes Kriterium. An diesem Punkt wird offensichtlich, dass es zur Einführung nachhaltiger Entscheidungsunterstützung auch ein Umdenken bei den Entscheidern erfolgen sollte. Reflexhafte Optimierungsversuche werden als solche enttarnt und die Entscheider auf Ihren ‚Bias‘ aufmerksam gemacht. Freilich benötigt es tiefgreifendes Verständnis für Data Science und Entscheidungsfindung in Unternehmen sowie die tatsächlich nachhaltige Ausrichtung der Finanz- und Investitionsentscheidungen.

Handlungsimperativ für Banken

Im Finanzsektor gelten die Prinzipien der Nachhaltigkeit seit jeher zu Zwecken der Risikominimierung. Die Flankierung durch die Nachfrage nach sozial-verantwortungsvollen Produkten und Wahrnehmung von gesellschaftlicher Verantwortung durch Banken wird eher unterstützend. Unsere Kunden begrüßen diese Entwicklung und treten dem – durch vereinzelt unverantwortliches Handeln im Finanzsektor – entstandenen Imageschaden entschieden entgegen. Techniken der KI erfüllen dabei unterschiedliche Funktionen:

1. Unterstützung bei der Produktentwicklung und Hintergrundrecherche,
2. Aufzeigen von Handlungsalternativen (Bias vs. Investmentstrategie) sowie
3. Verankerung nachhaltiger Strategien in täglichen, operativen Entscheidungsprozessen (Verhinderung von Greenwashing etc.).

Zentraler Erfolgsfaktor ist die systematische Einbettung der AI in ein nachhaltiges Geschäftsmodell der Bank:

Zentraler Erfolgsfaktor ist die systematische Einbettung der verschiedenen Dimensionen der AI in ein nachhaltiges Geschäftsmodell der Bank.

Banken haben in der Digitalisierung einen unschätzbaren Vorteil: Das gesamte Geschäftsmodell ist seit jeher datenbasiert. Diese breite Datenbasis gilt es nun zu nutzen und in einen Wettbewerbsvorteil umzuwandeln. Eine große Herausforderung unserer Kunden besteht in der Nutzbarmachung dieser Daten im Spannungsfeld zwischen Datenqualität, Zugänglichkeit in verteilten Systemen, regulatorischen Anforderungen und Partikularinteressen. Die gute Nachricht dabei: Die oben stehenden Überlegungen in Richtung Nachhaltigkeit helfen dabei, dieses Spannungsfeld aufzulösen.

Capgemini Invent ist Partner des Bank Blogs.