Banken setzen seit mehr als einem halben Jahrhundert Bewertungsmodelle für das Kreditrisikomanagement ein und Kartennetzwerke nutzen seit Jahren auf maschinellem Lernen basierende Modelle zur Betrugserkennung. Was sich geändert hat, ist der Umfang. Modelle der künstlichen Intelligenz (KI) verarbeiten nun unstrukturierte Daten, generieren für Menschen lesbare Ergebnisse und werden in Arbeitsabläufen eingesetzt, die zuvor das Urteil erfahrener Menschen erforderten. KI in der Finanztechnologie, oder FinTech, bezieht sich auf den Einsatz von Modellen des maschinellen Lernens, großen Sprachmodellen (LLMs) und statistischer Mustererkennung zur Unterstützung von Finanzprodukten, -dienstleistungen und -infrastruktur. Dieser Wandel verändert die Art und Weise, wie Finanzprodukte entwickelt, bepreist und bereitgestellt werden.

Im Folgenden erläutern wir die wichtigsten Anwendungsfälle für KI im FinTech-Bereich, welche Rolle Zahlungsverkehr und Betrugserkennung dabei spielen und welche daten-, sicherheits- und aufsichtsrechtlichen Anforderungen Sie berücksichtigen müssen.

Highlights

• KI im FinTech-Bereich lässt sich in drei verschiedene Kategorien unterteilen: Vorhersagemodelle, generative Modelle und Systeme zur Entscheidungsautomatisierung. Jedes Modell wird auf unterschiedliche Weise entwickelt, bewertet und reguliert.

• Die Betrugserkennung ist ein wichtiger Anwendungsbereich. Modelle des maschinellen Lernens auf Netzwerkebene können koordinierte Betrugsmuster erkennen, die kein einzelnes Unternehmen allein aufdecken könnte.

• Der erfolgreiche Einsatz von KI im Finanzdienstleistungssektor hängt von der Datenqualität, der Governance-Struktur und einer sorgfältigen Beurteilung ab, in welchen Bereichen eine eigene Entwicklung einen Vorteil bietet.

Was ist KI im Bereich der FinTech?

KI im Bereich der FinTech deckt ein breites Spektrum an Anwendungen ab, von Betrugsmodellen, die verdächtige Kartentransaktionen melden, bis hin zu Systemen für die Risikoevaluation, die einen Kredit bewerten können, ohne dass eine menschliche Prüfung erforderlich ist. KI unterstützt Finanzsysteme, indem sie Institutionen dabei hilft, schnellere und präzisere Entscheidungen in großem Maßstab zu treffen.

Wie funktioniert KI im Bereich der FinTech?

Die technischen Details variieren je nach Anwendungsbereich, doch KI-Systeme im Finanzdienstleistungssektor folgen in der Regel einer ähnlichen Architektur. Sie nutzen verschiedene Modelle, um neue Ereignisse in Echtzeit zu bewerten oder vorherzusagen.

Hier sind drei gängige Beispiele.

Betrugserkennung

Ein Zahlungsanbieter erfasst Transaktionssignale wie Kaufbetrag, Händlerkategoriecode, Gerätefingerabdruck, Standort, Transaktionsgeschwindigkeit und Kontodauer. Diese Signale werden in ein Modell eingespeist, das auf der Grundlage von Hunderten von Millionen (oder Milliarden) historischer Transaktionen, einschließlich bestätigter Betrugsfälle, trainiert wurde. Das Modell erstellt daraufhin eine Risikobewertung. Eine Entscheidungsengine nutzt diese Bewertung, um zu bestimmen, ob die Transaktion genehmigt, abgelehnt oder zur manuellen Überprüfung weitergeleitet wird, in der Regel innerhalb des Kartenautorisierungsfensters.

Kreditvergabe

Kreditgeber kombinieren Daten von Kreditauskunfteien mit weiteren Indikatoren wie der Banktransaktionshistorie und dem Verhalten der Kreditnehmerin bzw. des Kreditnehmers während des Antragsverfahrens. Modelle wie neuronale Netze schätzen die Wahrscheinlichkeit, dass ein/e Kreditnehmer/in in Zahlungsverzug gerät. Diese Prognose fließt in die Kreditgenehmigung und die Preisgestaltung ein.

LLMs

LLMs können zur Automatisierung von Arbeitsabläufen eingesetzt werden, die das Lesen oder Verfassen von Texten beinhalten. Im Finanzdienstleistungssektor können sie bei der Dokumentenanalyse (Kreditanträge, Versicherungsansprüche und behördliche Einreichungen), im Kundensupport sowie bei der internen Recherche Unterstützung leisten. Da die Ergebnisse von LLMs auf Wahrscheinlichkeiten beruhen und schwer zu überprüfen sind, stellen sie in regulierten Umgebungen, in denen Interpretierbarkeit und Nachvollziehbarkeit erforderlich sind, neue Herausforderungen dar.

Warum verändert KI den Finanzdienstleistungssektor?

Der Finanzdienstleistungssektor eignet sich hervorragend für maschinelles Lernen, da er große Datensätze mit einem ständigen Entscheidungsfluss verbindet. Im Folgenden werden Aspekte der Branche näher beleuchtet, die sie für Verbesserungen durch KI prädestinieren:

• Datendichte: Banken, Kreditgeber und Zahlungsnetzwerke verarbeiten enorme Mengen an Transaktionen, Kontobewegungen und Marktdaten. Diese Fülle an strukturierten Informationen liefert den Modellen des maschinellen Lernens ungewöhnlich umfangreiche Trainingsdaten.

• Entscheidungsvolumen: Finanzinstitute treffen täglich Millionen kleiner Entscheidungen, sei es bei der Genehmigung von Transaktionen, der Bewertung von Krediten, der Weiterleitung von Ansprüchen oder der Überwachung von Aktivitäten. Selbst kleine Verbesserungen der Entscheidungsgenauigkeit summieren sich schnell zu Kosteneinsparungen und Umsatzsteigerungen.

• Effizienz: Prozesse wie die Risikoevaluation bei Hypotheken und die Schadensprüfung erforderten in der Vergangenheit einen hohen manuellen Aufwand. KI-gestützte Arbeitsabläufe können Personalkosten und Bearbeitungszeiten minimieren.

• Betrugsprävention: Bessere Modelle tragen dazu bei, Fehlalarme (d. h. weniger abgelehnte legitime Transaktionen) und Versäumnisse (d. h. weniger genehmigte betrügerische Transaktionen) zu reduzieren. Jede Verbesserung wirkt sich unmittelbar auf den Umsatz, die Betriebskosten und das Vertrauen der Kundinnen und Kunden aus.

• Unstrukturierte Daten: Frühere Automatisierungssysteme funktionierten gut mit strukturierten Eingaben wie Zahlen und Kategorien. Neuere Modelle können Dokumente, Gespräche und andere unstrukturierte Daten interpretieren, was eine Automatisierung in Bereichen ermöglicht, die zuvor menschliches Urteilsvermögen erforderten.

Was sind die wichtigsten Anwendungsfälle für KI im FinTech-Bereich?

Im gesamten FinTech-Sektor konzentriert sich der Einsatz von KI tendenziell auf einige wenige Bereiche, in denen große Datenmengen und ein hohes Entscheidungsvolumen die Automatisierung besonders wertvoll machen. Hier sind einige der wichtigsten Anwendungsfälle.

Kreditvergabe und Risikoevaluation

Die traditionelle Bonitätsbewertung stützt sich stark auf Daten von Auskunfteien, wodurch Personen, die „kreditunauffällig“ sind, ausgeschlossen werden und andere mit unzureichenden Datenmengen benachteiligt werden. KI-Modelle, die auf alternativen Daten wie Banktransaktionsmustern, Mietzahlungen und Gehaltsabrechnungen trainiert wurden, können den Zugang zu Krediten erweitern und gleichzeitig genaue Risikoprognosen gewährleisten.

Betrugsprävention

Die Betrugserkennung ist eine der ausgereifteren Anwendungen des maschinellen Lernens im Finanzwesen. Moderne Systeme erkennen Muster wie Versuche der Kontoübernahme, synthetische Identitäten und koordinierte Betrugsringe, die mit statischen Regeln nur schwer zu erkennen sind.

Kundenservice und Support

LLM-gestützte Assistenten können viele routinemäßige Kundeninteraktionen bearbeiten, darunter Fragen zum Konto, Streitfälle bei Transaktionen und Unterstützung bei der Kontoeröffnung. Effiziente Systeme automatisieren einfache Anfragen und leiten schwierige oder sensible Fälle an menschliche Mitarbeiter/innen weiter.

Rechtliche Compliance

Die Überwachung zur Bekämpfung von Geldwäsche (AML) generiert eine große Anzahl von Warnmeldungen, von denen viele Fehlalarme sind. Modelle des maschinellen Lernens können dabei helfen, echte verdächtige Aktivitäten von ungewöhnlichem, aber legitimem Verhalten zu unterscheiden, wodurch sich der Untersuchungsaufwand verringert. KI kann zudem Know-Your-Customer-Prozesse (KYC) beschleunigen, indem sie Identitätsdaten aus Dokumenten extrahiert.

Marktanalyse und Risikomanagement

KI erweitert die Möglichkeiten quantitativer Modelle durch die Analyse unstrukturierter Informationen wie Gewinnbekanntgaben, Nachrichten, Satellitenbilder und aggregierte Transaktionsdaten. Dies kann zusätzliche Signale für den Handel und die Risikoüberwachung liefern.

Wie lässt sich KI in den Bereichen Zahlungsverkehr, Betrugsbekämpfung und Risikomanagement einsetzen?

Zahlungsverkehr, Betrugsbekämpfung und Risikomanagement gehören zu den arbeitsintensivsten und folgenreichsten Aspekten der Finanzdienstleistungen. Die Zahlungsinfrastruktur stellt einige der strengsten Echtzeitanforderungen an KI-Systeme und Betrug ist die unmittelbarste Folge einer falschen Entscheidung.

Hier erfahren Sie, worauf Unternehmen achten sollten, wenn sie KI einsetzen, um Probleme in den Bereichen Zahlungsverkehr, Betrugsbekämpfung und Risikomanagement zu lösen.

Zahlungsverkehr und Betrugsbekämpfung

Betrugsmodelle, die Entscheidungen zur Transaktionsautorisierung steuern, müssen sowohl schnell als auch präzise sein. Die Ablehnung legitimer Käufe kann Kundinnen und Kunden verärgern, während übersehene Betrugsfälle direkte finanzielle Verluste verursachen können. Tools wie Stripe Radar nutzen Modelle des maschinellen Lernens, die anhand von Transaktionsdaten aus weitreichenden Netzwerken trainiert wurden, um jede Transaktion hinsichtlich ihres Betrugsrisikos zu bewerten. Dadurch werden die Modelle mit Betrugsmustern konfrontiert, die kein einzelnes Unternehmen allein beobachten könnte. Ihre Signale können dabei helfen, einen Betrugsring aufzudecken, der ein Unternehmen in einem Netzwerk angreift, bevor es zu einer Eskalation kommt. Unternehmen können das Verhalten dieser Tools mit eigenen Regeln auf Basis des zugrunde liegenden Modells anpassen, das kontinuierlich aktualisiert wird, sobald neue Betrugsmuster auftreten.

Kredit- und Risikomanagement

Die Kreditvergabe hängt von sich ändernden wirtschaftlichen Rahmenbedingungen, Lebensereignissen der Kreditnehmer und einer gewissen inhärenten Unsicherheit ab. KI beseitigt diese Unsicherheit zwar nicht, kann jedoch aus den verfügbaren Daten mehr prädiktive Signale ableiten. Dies ermöglicht eine präzisere Risikobepreisung. Da Kreditmodelle jedoch aus historischen Daten lernen, können sie bestehende Verzerrungen reproduzieren, wenn sie nicht überprüft werden. Ein verantwortungsvoller Einsatz erfordert Fairness-Tests, eine sorgfältige Funktionsauswahl und eine kontinuierliche Überwachung, um sicherzustellen, dass die Modelle geschützte Gruppen nicht systematisch benachteiligen.

Welche datenschutzrechtlichen, sicherheitstechnischen und regulatorischen Aspekte sind bei KI im Finanzdienstleistungssektor zu beachten?

KI im Finanzdienstleistungssektor unterliegt mehreren sich überschneidenden Compliance-Regelwerken und Auflagen. Für die Bereitstellung und Compliance sind fundierte Kenntnisse darüber erforderlich, wie diese Elemente zusammenwirken.

Folgendes ist dabei zu beachten:

• Datenschutz und Datenstandort: Finanzdaten sind hochsensibel. Vorschriften wie die [Datenschutz-Grundverordnung (DSGVO)](https://www.europarl.europa.eu/RegData/etudes/STUD/2020/641530/EPRSSTU(2020) der EU (641530EN.pdf) gewähren Einzelpersonen Rechte im Zusammenhang mit automatisierten Entscheidungen, was Verpflichtungen hinsichtlich Interpretierbarkeit und Transparenz für KI-gesteuerte Kredit- oder Versicherungsentscheidungen mit sich bringt. Verschiedene US-Bundesstaaten verfügen über eigene Datenschutzgesetze mit spezifischen Anforderungen.

• Interpretierbarkeit von Modellen: Finanzaufsichtsbehörden verlangen von Kreditgebern häufig, dass sie Antragstellerinnen/Antragstellern ablehnende Entscheidungen begründen. Bei einem regelbasierten System ist dies unkompliziert, bei komplexen Modellen des maschinellen Lernens hingegen schwieriger.

• Modellrisikomanagement: Rahmenwerke wie die Leitlinie SR 11-7 der US-Notenbank verpflichten Finanzinstitute dazu, Modelle zu validieren, ihre Annahmen zu dokumentieren und die Leistung im Zeitverlauf zu überwachen. KI-Systeme unterliegen denselben Aufsichtsanforderungen wie herkömmliche Modelle.

• Sicherheit und Angreiferrisiken: Systeme des maschinellen Lernens schaffen neue Angriffsflächen. Betrüger/innen könnten Modelle zur Betrugserkennung auf Schwachstellen untersuchen, während andere versuchen könnten, Informationen aus trainierten Modellen zu extrahieren. Die Sicherung der KI-Infrastruktur ist Teil einer umfassenderen Cybersicherheit im Finanzsektor.

• Anbieterrisiko: Viele Finanzinstitute lizenzieren KI-Modelle von Drittanbietern. Ein wirksames Risikomanagement setzt voraus, dass man versteht, wie diese Modelle trainiert wurden, wie sie überwacht werden und welche Sicherheitsvorkehrungen für den Fall eines Ausfalls getroffen wurden.

Ist Ihr Unternehmen bereit für den Einsatz von KI im Finanzdienstleistungssektor?

Die erfolgreiche Einführung von KI hängt weitgehend von der Datenqualität und der Datenverwaltung Ihres Unternehmens ab. Bevor Sie beginnen, sollten Sie realistische Erwartungen daran haben, wie KI Ihnen helfen wird und wie sie eingesetzt werden kann.

Dies sind die Schritte zur Einführung:

• Beginnen Sie mit den Daten: Verbessern Sie Ihre Dateninfrastruktur. KI-Systeme sind nur so zuverlässig wie die Daten, mit denen sie trainiert werden. Schlecht gekennzeichnete Transaktionen, fragmentierte Kundendaten oder voreingenommene Entscheidungen aus der Vergangenheit führen zu fehlerhaften Modellen.

• Festlegung der Governance: Sie müssen klare Zuständigkeiten für die Modellleistung und die Überwachung definieren. Die Teams sollten wissen, wer Modellabweichungen überwacht, die Fairness bewertet und reagiert, wenn sich Systeme unerwartet verhalten.

• Entscheidung zwischen Eigenentwicklung und Kauf: Die Entwicklung eigener Modelle ist sinnvoll, wenn ein Unternehmen über einzigartige Daten oder spezielle Anforderungen verfügt. Der Kauf oder die Lizenzierung von Modellen ist oft schneller, wenn das Problem weit verbreitet und gut verstanden ist.

• Probieren Sie zunächst einen engen Anwendungsfall aus: Anstatt eine umfassende KI-Transformation anzustreben, können Sie mit einem einzigen Entscheidungsprozess beginnen, der ein hohes Datenaufkommen aufweist und für den Ihnen klare historische Daten sowie Metriken für den Erfolg vorliegen. Der parallele Einsatz von Modellen zu bestehenden Arbeitsabläufen hilft dabei, die Leistung zu messen und Vertrauen aufzubauen.

• Nutzen Sie die vorhandene Infrastruktur: Die Infrastruktur von Stripe, einschließlich Radar zur Betrugsbekämpfung und der über die Stripe-API verfügbaren Datensignale, bietet Unternehmen einen Ausgangspunkt, bei dem nicht alles von Grund auf neu aufgebaut werden muss. Jedes Unternehmen muss selbst entscheiden, wo KI eingesetzt und wie sie gesteuert und überwacht werden soll, doch diese Art von Tool eignet sich für die Abwicklung von Zahlungen und die Betrugsbekämpfung.

So kann Stripe Payments Sie unterstützen

Stripe Payments bietet eine einheitliche, globale Zahlungslösung, mit der jedes Unternehmen – von Start-ups bis hin zu globalen Konzernen – Zahlungen online, vor Ort und weltweit akzeptieren kann.

Mit Stripe Payments können Sie Folgendes umsetzen:

• Bezahlvorgang optimieren: Schaffen Sie ein reibungsloses Kundenerlebnis und sparen Sie Tausende von Entwicklungsstunden mit vorgefertigten Zahlungs-Nutzeroberflächen, Zugang zu über 125 Zahlungsmethoden und Link, einer von Stripe entwickelten Wallet.

• Neue Märkte schneller erschließen: Erreichen Sie Kundinnen und Kunden weltweit und reduzieren Sie die Komplexität und Kosten der Verwaltung mehrerer Währungen mit grenzüberschreitenden Zahlungsoptionen, die in 195 Ländern und über 135 Währungen verfügbar sind.

• Online- und Vor-Ort-Zahlungen vereinheitlichen: Schaffen Sie Unified Commerce über Online- und Vor-Ort-Kanäle hinweg, um Interaktionen zu personalisieren, Treue zu belohnen und Ihren Umsatz zu steigern.

• Zahlungs-Performance verbessern: Steigern Sie Ihren Umsatz mit einer Reihe anpassbarer, einfach zu konfigurierender Zahlungstools, darunter eine No-Code-Betrugsvorbeugung und erweiterte Funktionen zur Verbesserung der Autorisierungsquoten.

• Schnelleres Wachstum dank einer flexiblen, zuverlässigen Plattform: Bauen Sie auf einer Plattform auf, die mit Ihnen mitwächst, mit einer historischen Erreichbarkeit von 99,999 % und branchenführender Zuverlässigkeit.

Erfahren Sie mehr darüber, wie Stripe Payments Sie bei Online- und Vor-Ort-Zahlungen unterstützen kann oder starten Sie noch heute.