Nach der ersten Welle der Begeisterung kommt der Einsatz von künstlicher Intelligenz (KI) in der Finanzwelt auf dem Boden der Tatsachen an: Nur wer klare Ziele definiert und mit sauberen Datensätzen arbeitet, profitiert vom Nutzen der Algorithmen. „Wir sehen KI als Handwerk, mit dem wir Effizienz und Qualität steigern“, sagt Stephan Blohm, Verwaltungsrat bei securities.lu. „Und wir nutzen KI auch nur dort, wo sie echte Hilfestellung bietet.“
Effizienteres Reporting, präzisere Risikoanalysen oder optimierte Handelsstrategien: Der KI-Hype hat auch in der Finanzbranche hohe Erwartungen geschürt. Immer deutlicher wird dabei, dass KI-Tools keine Wundermittel sind, sondern auf klare Einsatzbereiche fokussierte Spezialprogramme. „Und diese lassen sich erst durch intensives Training sinnvoll einsetzen“, sagt Blohm. Der Fokus liegt dabei auf den Daten, mit denen KI-Anwendungen arbeiten sollen. Die Grundlagen der KI-Modelle sind nicht neu. Schon in den 1960er-Jahren wurden Konzepte für maschinelles Lernen in die Praxis umgesetzt. Seither hat vor allem die verfügbare Rechenleistung neue Dimensionen erreicht, die das Verarbeiten riesiger Datenmengen in kürzester Zeit erlauben. „Doch das nützt mir nichts, wenn ich KI-Tools mit schlechten Daten füttere oder die falschen Aufgaben stelle – dann kann auch nichts Sinnvolles herauskommen“, sagt Blohm.
Vor dem echten Einsatz künstlicher Intelligenz steht daher immer das Prüfen und Aufbereiten firmeneigener Daten. „KI-Modelle für den Einsatz im Unternehmen vorzubereiten, bedeutet viel unspektakuläre Arbeit im Maschinenraum: Wir müssen zunächst Daten bereinigen und dann mit strukturierten Informationen Tools von Menschenhand trainieren“, sagt Prof. Dr. Hans-Jörg von Mettenheim, Lehrstuhlinhaber für Quantitative Finance und Risikomanagement an der IPAG Business School in Paris und Gründer des Data-Science-Providers Keynum.ai.
Zusammen mit securities.lu arbeitet von Mettenheim daran, KI-Werkzeuge beispielsweise Inkonsistenzen aufdecken zu lassen und etwa sicherzustellen, dass in Dokumenten einheitlich regulatorische und andere Details genannt werden. Möglich ist es auch, einen Teil der Schnittstelle zu Kunden an die Technik zu übergeben: Interessenten können etwa zeitsparend und zielgerichtet durch einen Prozess geführt werden, der sie schneller zum Ziel bringt und trotzdem die Tiefe eines menschlichen Abfragers aufweist. Doch diese Programmierung ist ebenfalls Handwerk, erfordert die klaren Einsichten in Verhaltensmuster der Kunden und muss zudem vor Inbetriebnahme immer wieder auf Schwachstellen geprüft werden. Handwerk auch dies.
„Wer auf den Einsatz von KI verzichtet, riskiert ineffiziente Abläufe und höhere Fehlerquoten“, sagt Blohm. „KI ist insofern gerade bei datengetriebenen Geschäftsmodellen ein wichtiges Werkzeug.“ Das im Übrigen nur dann mit gutem Gewissen eingesetzt werden kann, wenn der Datenschutz sichergestellt ist. „Sensible Daten sollen Unternehmen nicht verlassen, sondern mit den KI-Modellen lokal verarbeitet werden“, erklärt von Mettenheim.
Mehr unter www.securities.lu