Generative KI: Der Produktivitätsschub für Finanzdienstleistungen

Generative KI: Der Produktivitätsschub für Finanzdienstleistungen

Die Finanzbranche steht an der Schwelle einer tiefgreifenden Transformation, angetrieben durch die rasante Entwicklung der generativen Künstlichen Intelligenz (GenAI). Während GenAI branchenübergreifend neue Wege der Arbeitsgestaltung eröffnet, sind Finanzdienstleister besonders prädestiniert, die größten Produktivitätsgewinne zu erzielen. Schätzungen zufolge könnten Banken eine beeindruckende Steigerung der Produktivität um bis zu 30% erleben, was sie an die Spitze der von dieser Technologie profitierenden Sektoren stellt.

Der Grund für dieses enorme Potenzial liegt in der perfekten Übereinstimmung der Stärken von großen Sprachmodellen (LLMs) mit den Kernbereichen des Finanzsektors: der Wissensarbeit und dem Kundenservice. Diese beiden Bereiche sind nicht nur grundlegend für den Erfolg von Finanzinstituten, sondern auch entscheidende Differenzierungsmerkmale im Wettbewerb.

Historisch gesehen war die Finanzbranche stets ein Vorreiter bei der Einführung neuer Technologien, angetrieben durch ein intensives Wettbewerbsumfeld. Mit LLMs zeichnet sich ab, dass Finanzdienstleister erneut an der Spitze der Innovation stehen werden. Obwohl Bedenken hinsichtlich der Sicherheit und der Implementierung von LLMs bestehen – ähnlich der anfänglichen Skepsis gegenüber Cloud-Technologien – arbeiten führende Unternehmen bereits daran, diese Herausforderungen zu überwinden und die Vorteile von GenAI voll auszuschöpfen.

Im Folgenden werden wir untersuchen, wie Vorreiter in der Finanzbranche die Effizienz ihrer Wissensarbeiter steigern und den Kundenservice verbessern, während gleichzeitig auf die Bedenken eingegangen wird, für die bereits Lösungen existieren.

GenAI-Anwendungsfälle in Finanzdienstleistungen

Wissensarbeit effizienter gestalten

Die Wissensarbeit bildet das Herzstück der Finanzdienstleistungen. Von Investmentbankern über Finanzplaner bis hin zu Risikomanagern – unzählige Rollen in der Branche befassen sich täglich mit riesigen Informationsmengen. LLM-Anwendungen können diese Fachkräfte sowohl bei der Informationssuche als auch bei der Analyse unterstützen.

Schnellere Wissenssuche und -synthese

Ein erheblicher Teil des Arbeitstages von Finanzexperten wird mit dem Durchsuchen und Extrahieren von Erkenntnissen aus Finanzdaten, Produktspezifikationen, Verfahrensdokumentationen und Tabellenkalkulationen verbracht. Studien zeigen, dass Mitarbeiter täglich Stunden mit der Informationsbeschaffung verbringen. Die Such-, Abruf- und Zusammenfassungsfunktionen von LLMs bieten hier ein enormes Potenzial zur Zeitersparnis.

Nehmen wir das Beispiel von Vermögensberatern: Sie müssen die Kapitalmärkte genau beobachten, um Risiken zu managen und ihren Kunden fundierte Anlageentscheidungen zu ermöglichen. Obwohl traditionelle maschinelle Lernmodelle Institutionen dabei geholfen haben, riesige Datenmengen anzusammeln, müssen Berater immer noch eine Vielzahl von Dokumenten – von regulatorischen Einreichungen bis zu Wirtschaftsberichten – durchforsten, um die richtigen Daten zu finden.

KI-Wissensassistenten verändern dies, indem sie die neuesten Finanzberichte und Marktanalysen innerhalb von Sekunden in prägnante Zusammenfassungen destillieren und dann Folgefragen beantworten, um Quellen, Klarstellungen, Vergleiche und Kontextualisierungen bereitzustellen. Eine Finanztechnologie-Firma hat beispielsweise eine GenAI-Lösung entwickelt, die es Beratern ermöglicht, schnell informationsreiche Dokumente zu finden und zu analysieren. Berater können beispielsweise nach der Bruttomarge eines Unternehmens fragen und dann weitere Informationen im Bericht anfordern, die diese ungewöhnlich hoch oder niedrig beeinflusst haben könnten. Oder sie können die Marktposition eines Wettbewerbers basierend auf Aussagen in verschiedenen Dokumenten, wie Investmentanalystennotizen, Kontoeinreichungen und Gewinnprotokollen, abfragen.

Verbesserung der Datenanalyse

LLM-Lösungen können nicht nur Wissen finden, sondern auch bei dessen Analyse helfen. Unternehmen können die Analyse von Finanz-, Betriebs- und Tabellendaten automatisieren, indem sie LLMs nutzen, um verschiedene Faktoren zu untersuchen und Berichte zu erstellen. Die Ausstattung eines LLM mit einer Python-Konsole ermöglicht es Organisationen beispielsweise, Tabellenkalkulationen und Finanzdaten automatisch zu analysieren.

Finanz-KI-Assistenten sind auch in der Lage, komplexe Prompts auszuführen, die Dokumente durchsuchen, gemeinsame Informationen extrahieren und diese in einem standardisierten Format organisieren, was das Erkennen von Trends erleichtert. So nutzen beispielsweise die geschäftsführenden Partner einer Investmentfirma ein generatives Modell als Teil einer Lösung, die ihnen hilft, die Performance ihres Portfolios zu bewerten. Jedes Quartal bitten sie die Leiter der Portfoliounternehmen, ein Update zur Performance ihrer Organisation in verschiedenen Dimensionen zu senden. Sie geben die Informationen ein und einen proprietären Prompt in das generative Modell, das nach Mustern in den Updates sucht, wie z.B. Sektoren mit dem größten Wachstum oder gemeinsame Attribute unter ihren Unternehmen, die mit Erfolg korrelieren. Das Modell liefert dann seine Analyse in einem leicht verständlichen Tabellenformat an die Partner.

Besserer Kundenservice durch schnelle, präzise Antworten

Die Qualität des Kundenservice ist ein entscheidender Faktor bei der Wahl einer Bank oder anderer Finanzdienstleister. Im Privatkundengeschäft beispielsweise zeigte eine Umfrage, dass schlechter Kundenservice fast genauso wichtig ist wie unerwartete Gebühren, wenn es darum geht, warum Kunden die Bank wechseln. Banken mit hoher Kundenzufriedenheit verzeichnen oft einen Anstieg der Kundeneinlagen.

Während viele Faktoren den Kundenservice beeinflussen können, war eine wesentliche Herausforderung die Geschwindigkeit und Effizienz, mit der Bankmitarbeiter auf Kundenfragen oder -probleme reagieren können. Bankmitarbeiter müssen oft viele und unterschiedliche Dokumente, von Richtlinienhandbüchern bis zu Produktspezifikationen, durchsuchen, um relevante Informationen zu finden, was zeitaufwendig und umständlich sein kann.

Der Aufbau von KI-Assistenten mit fortschrittlichen Abruffunktionen und semantischer Suche bietet eine massive Leistungssteigerung gegenüber typischen Stichwortsuchen. Mit einer turbogeladenen Suche kann jede Rolle, die am Kundenservice beteiligt ist – von Supportmitarbeitern bis zu Vermögensberatern – schnell relevantere Antworten auf Kundenanfragen aus umfangreichen Wissensspeichern und über Datenbanken hinweg finden. Diese Assistenten können sogar so konfiguriert werden, dass sie als virtuelle Coaches fungieren und Mitarbeiter durch jeden Schritt führen, der zur Behebung eines Kundenanliegens erforderlich ist, wie z.B. ein vermuteter Kontokompromiss.

Mit neueren Funktionen wie der mehrstufigen Tool-Nutzung können LLMs auch Supportmitarbeitern helfen, Aufgaben auszuführen, die ihnen helfen, Probleme schneller zu lösen. Zum Beispiel könnten Tool-Nutzungsfunktionen mit LLMs nach einem aufgezeichneten Gespräch mit einem Kunden das Chat-Transkript aufnehmen, das Support-Ticket basierend auf dem Gespräch aktualisieren und dann nachgelagerte Funktionen ausführen, wie das Einreichen einer Rückgabeanfrage oder das Ändern von Bestelldetails in einer separaten Anwendung.

Risikomanagement

Finanzdienstleister möchten verständlicherweise sicherstellen, dass sie die mit der Nutzung von LLMs verbundenen Risiken managen können, so wie sie es bereits bei Cloud-Technologien und anderen innovativen Technologien getan haben. Dies ist nicht nur eine gute Praxis zum Schutz und zur Betreuung der Kunden, sondern auch notwendig für die Einhaltung strenger Vorschriften, die die Branche regulieren. Zu den Hauptbedenken gehören Datenschutz, Datensicherheit, Modelltransparenz und die Vermeidung von Voreingenommenheit (Bias) in den KI-Systemen. Durch die Implementierung robuster Governance-Strukturen, regelmäßiger Audits und der Einhaltung branchenspezifischer Vorschriften können Finanzinstitute die Vorteile von GenAI nutzen und gleichzeitig die Risiken minimieren. Die kontinuierliche Forschung und Entwicklung in diesem Bereich zielt darauf ab, sicherere und transparentere KI-Lösungen zu schaffen, die den hohen Anforderungen des Finanzsektors gerecht werden.