Dieser Artikel untersucht die Herausforderungen und Chancen des Einsatzes von KI im Bereich Compliance f\u00fcr Finanzdienstleistungsunternehmen. Andrew Rufener und Daniel Knecht von finalix argumentieren, dass KI Unternehmen dabei helfen kann, regulatorische Anforderungen, Risiken und Effizienz zu managen, indem sie die Datenanalyse automatisiert und neue Einblicke liefert. Sie betonen die Bedeutung von Vertrauen und Erkl\u00e4rbarkeit in KI-Systemen und schlagen die Notwendigkeit einer klaren Governance und kompetenter Compliance-Officer vor. Neben der Lekt\u00fcre dieses finalix-Artikels sollten Sie unbedingt auch den KI-generierten Podcast anh\u00f6ren!<\/p>\n\n\n\n
Wie in vielen Branchen bietet k\u00fcnstliche Intelligenz (KI) erhebliche Chancen f\u00fcr Unternehmen im Finanzdienstleistungssektor. Derzeit k\u00e4mpfen diese Firmen mit erheblichen Kostendruck, dem st\u00e4ndigen Zwang zur Innovation und zur Schaffung neuer Nachfrage, der Steigerung der verwalteten Verm\u00f6genswerte (AuM) und der Bew\u00e4ltigung all dieser Herausforderungen bei gleichzeitiger vollst\u00e4ndiger Compliance.<\/p>\n\n\n\n
Wie tr\u00e4gt KI zur Bew\u00e4ltigung dieser Probleme bei? Welche Vereinfachungen oder Verbesserungen kann diese fortschrittliche Technologie solchen Unternehmen bieten? Wird die Rolle der Compliance und verwandter Funktionen weiterhin so bestehen bleiben wie heute?<\/p>\n\n\n\n
In diesem finalix-Gespr\u00e4ch zwischen Andrew Rufener (SME f\u00fcr KI) und Daniel Knecht (SME f\u00fcr AML) m\u00f6chten wir Licht in die oben genannten Fragen bringen und Leitlinien zur Bew\u00e4ltigung einiger der auff\u00e4lligsten Herausforderungen geben.<\/p>\n\n\n\n
Welches sind die dringlichsten Herausforderungen f\u00fcr Unternehmen in der Finanzindustrie mit Blick auf Compliance?<\/em><\/strong><\/p>\n\n\n\n Daniel:<\/strong><\/p>\n\n\n\n \u201eCompliance-Herausforderungen sind meist entweder effizienzgetrieben oder qualit\u00e4tsorientiert. Einerseits erh\u00f6hen verst\u00e4rkte regulatorische Anforderungen den Bedarf an qualifiziertem Personal, das mit der Flut von Warnmeldungen und notwendigen Abkl\u00e4rungen umgehen kann, um Kundenbeziehungen aufrechtzuerhalten. Die Anzahl der Kunden und Transaktionen kann zum Beispiel die Anzahl der erforderlichen Abkl\u00e4rungen an der Front (\u00ab1st line of defense\u00bb) exponentiell in die H\u00f6he treiben. Andererseits ist das Sicherstellen der Qualit\u00e4t von gr\u00f6\u00dfter Bedeutung. Wenn auch nur ein einziger schlechter Fall unentdeckt bleibt, m\u00fcssen Unternehmen und ihre Mitarbeiter mit schweren Strafen durch die Regulierungsbeh\u00f6rden rechnen.<\/p>\n\n\n\n Was bleibt, ist eine st\u00e4ndige Neubewertung von Effizienz vs. Risiko. Wie viel Risiko sind Unternehmen bereit einzugehen und welche Ma\u00dfnahmen k\u00f6nnen ergriffen werden, um das verbleibende Restrisiko zu minimieren, w\u00e4hrend sie so effizient wie m\u00f6glich arbeiten. Bis heute gibt es die eine richtige Antwort auf diese Frage und jedes Unternehmen hat einen etwas anderen Ansatz dazu.\u201c<\/p>\n\n\n\n Wie k\u00f6nnte KI diesen vermeintlichen Gegensatz von Effizienz vs. Risiko ggf. entsch\u00e4rfen?<\/em><\/strong><\/p>\n\n\n\n Andrew:<\/strong><\/p>\n\n\n\n \u201eKI, in ihren verschiedenen Formen, kann sowohl Effizienz f\u00f6rdern als auch fundierte Entscheidungsfindungen unterst\u00fctzen. Grunds\u00e4tzlich gibt es die folgenden m\u00f6glichen Anwendungen:<\/p>\n\n\n\n Die F\u00e4higkeit der KI, gro\u00dfe Datenmengen zu verarbeiten und sinnvolle Erkenntnisse zu extrahieren, kann die Finanzdienstleistungen grundlegend ver\u00e4ndern. Die Automatisierung der Datenaggregation und die Generierung umsetzbarer Erkenntnisse kann menschliche Ressourcen f\u00fcr wertsch\u00f6pfendere Aufgaben freisetzen, w\u00e4hrend verbesserte risikobasierte Ans\u00e4tze zuverl\u00e4ssigere und genauere Bewertungen gew\u00e4hrleisten, m\u00f6glicherweise auch durch die Einbeziehung von Daten Dritter zur weiteren Verbesserung der Risikoprofilierung. Diese Werkzeuge k\u00f6nnen helfen, Effizienz zu steigern, Risiken besser zu managen, aber auch die Exposition zu verringern und wertsch\u00f6pfende Einblicke zu unterst\u00fctzen.\u201c<\/p>\n\n\n\n Neue Technologien bringen neue Herausforderungen. Was braucht es, damit KI in Compliance effektiv verwendet werden kann?<\/em><\/strong><\/p>\n\n\n\n Daniel:<\/strong><\/p>\n\n\n\n \u201eEine der gr\u00f6\u00dften Herausforderungen mit KI im Compliance-Bereich ist das Vertrauen. Vertrauen in die Ergebnisse und Resultate, die die Maschine liefert. Vertrauen in das, was der Nutzer sieht und was nicht. Beispielsweise muss jedes System, das KI zur Berechnung von Risikobewertungen und zur \u00dcberpr\u00fcfung von Transaktionen verwendet, \u00abfalse-positives\u00bb herausfiltern und echte Treffer hervorheben, ein gewisses Ma\u00df an Vertrauen genie\u00dfen. Andernfalls kehrt Compliance \u00fcber kurz oder lang zur manuellen \u00dcberpr\u00fcfung jedes einzelnen Treffers zur\u00fcck.<\/p>\n\n\n\n Maschinelle Lernalgorithmen verbessern sich im Laufe der Zeit. Ihre Modelle werden mit jeder durchgef\u00fchrten Aktion und Iteration trainiert. Aber bis die Maschine ein solches Niveau erreicht, bleibt das Risiko von falschen Ausschl\u00fcssen bestehen. Wie sollten Unternehmen dieses Problem angehen? Wie k\u00f6nnen sie dieses Restrisiko behandeln, ohne Ziel von regulatorischen Konsequenzen zu werden?<\/p>\n\n\n\n Im selben Atemzug wirft der Einsatz von KI zur Filterung und Bewertung von Daten anhand einer Reihe von Risikofaktoren neue Fragen zur Verantwortung und Haftung auf. In der alten Welt konnte die Verantwortung und Haftung meist der Person zugewiesen werden, die bestimmte Aufgaben ausf\u00fchrte, oder die f\u00fcr die \u00dcberwachung der ausf\u00fchrenden Person verantwortlich war. Mit der Anwendung von KI stellt sich die Schuld- und Verantwortungsfrage komplett neu. K\u00f6nnen Compliance-Officer, Kundenbetreuer und anderes Angestellte zur Verantwortung gezogen und pers\u00f6nlich haftbar gemacht werden, wenn die Maschine unvollst\u00e4ndige oder falsche Ergebnisse liefert? Finanzdienstleistungsunternehmen m\u00fcssen ein Gleichgewicht zwischen \u201eakzeptiertem Risiko im Namen des Unternehmens\u201c und verbleibender pers\u00f6nlicher Verantwortung finden.<\/p>\n\n\n\n Sehr wahrscheinlich sind die aktuellen Rollen, Governance-Strukturen und internen Richtlinien nicht f\u00fcr diesen Zweck geeignet und m\u00fcssen nicht nur mit einem Compliance-Gedanken, sondern auch mit einem tiefen Verst\u00e4ndnis der zugrunde liegenden Technologie \u00fcberarbeitet werden.\u201c<\/p>\n\n\n\n Andrew:<\/strong><\/p>\n\n\n\n \u201eWenn man \u00fcber KI im Compliance-Bereich spricht und auch in Bezug auf Vertrauen, ist es zun\u00e4chst entscheidend, Klarheit \u00fcber den Anwendungsfall, die angewandte Technologie und das Ausma\u00df, in dem Menschen weiterhin \u201eim Geschehen\u201c bleiben, zu schaffen. Maschinelles Lernen ist innerhalb der Modellparameter zuverl\u00e4ssig, w\u00e4hrend \u201eBlack Box\u201c-Systeme der GenAI mehr Aufwand erfordern, um sicherzustellen, dass sie innerhalb der festgelegten Parameter bleiben.<\/p>\n\n\n\n Um diese Herausforderungen effektiv anzugehen, m\u00fcssen Unternehmen zun\u00e4chst eine Grundlage f\u00fcr Transparenz und Vertrauen schaffen. Dies beginnt bei der Technologie selbst: Compliance-KI-Systeme m\u00fcssen erkl\u00e4rbar sein (was seit Jahren Best Practice ist), um Klarheit dar\u00fcber zu schaffen, wie Risikobewertungen berechnet, Entscheidungen getroffen und welche Datenpunkte betont werden. Durch den Einsatz erkl\u00e4rbarer KI k\u00f6nnen Unternehmen ihren Compliance-Beauftragten helfen, die Ergebnisse der KI zu verstehen, ihnen zu vertrauen und sie zu validieren, wodurch die Abh\u00e4ngigkeit von der Technologie erh\u00f6ht und die Belastung durch manuelle Kontrollen verringert wird.<\/p>\n\n\n\n Um das Restrisiko und die M\u00f6glichkeit falscher negativer Ergebnisse zu managen, k\u00f6nnen Unternehmen eine Kombination aus menschlicher Aufsicht und gestuften Reaktionssystemen einsetzen. Hochrisikof\u00e4lle k\u00f6nnen zur menschlichen \u00dcberpr\u00fcfung markiert werden, w\u00e4hrend Niedrigrisikof\u00e4lle \u00fcber die Zeit \u00fcberwacht werden. Dies hilft Unternehmen, die Einhaltung von Vorschriften zu gew\u00e4hrleisten, ohne das Personal zu \u00fcberlasten, und erm\u00f6glicht es der KI, aus diesen \u00dcberpr\u00fcfungen zu lernen und ihre Genauigkeit im Laufe der Zeit zu verbessern. Dar\u00fcber hinaus sind kontinuierliche Modell\u00fcberwachung und Feedback-Schleifen entscheidend. Regelm\u00e4\u00dfige Audits und Validierungspr\u00fcfungen der KI-Modelle helfen sicherzustellen, dass sie den regulatorischen Standards entsprechen und potenzielle Verzerrungen oder Fehler umgehend behoben werden.<\/p>\n\n\n\n Die Adressierung von Haftung und Verantwortung ist in der Tat ein neues Terrain. Es ist entscheidend, dass Unternehmen klare Governance- und Verantwortungsstrukturen in KI-unterst\u00fctzten Compliance-Rollen definieren. Die Entwicklung von KI-Governance-Richtlinien, die Aspekte der Verantwortung, insbesondere in Fehlerf\u00e4llen, abdecken, kann eine Struktur f\u00fcr Verantwortlichkeit bieten und gleichzeitig Innovationen unterst\u00fctzen. Mit der neuen KI-Regulierung, die verf\u00fcgbar wird, ist ihre Umsetzung derzeit noch im Gange, und dies ist ein sich entwickelndes Gebiet.<\/p>\n\n\n\n Schlie\u00dflich m\u00fcssen sich die bestehenden Governance-Strukturen, Richtlinien und Rollen (f\u00fcr KI und Daten) anpassen, damit diese Systeme erfolgreich in ein Compliance-Framework integriert werden k\u00f6nnen. Unternehmen sollten in die Weiterbildung ihrer Teams investieren und sicherstellen, dass sie nicht nur Compliance verstehen, sondern auch die Nuancen der von ihnen verwendeten KI-Tools. Durch die \u00dcberarbeitung und Anpassung interner Richtlinien mit einem Fokus auf Technologie k\u00f6nnen Unternehmen eine widerstandsf\u00e4higere Compliance-Funktion schaffen, die in der Lage ist, KI zu nutzen und gleichzeitig den regulatorischen und ethischen Standards treu zu bleiben.\u201c<\/p>\n\n\n\n Wer kann und sollte diese Entwicklung vorantreiben?<\/em><\/strong><\/p>\n\n\n\n Daniel:<\/strong><\/p>\n\n\n\n \u201eJuristen und Compliance-Spezialisten sind oft zu weit von technischen Entwicklungen entfernt, um die M\u00f6glichkeiten der KI vollst\u00e4ndig zu verstehen und zu nutzen. Entwickler hingegen fehlt h\u00e4ufig das notwendige Compliance-Wissen, um die tats\u00e4chlichen Herausforderungen zu erkennen, die die KI f\u00fcr die Compliance-Abteilung l\u00f6sen k\u00f6nnte. Daher werden Br\u00fcckenbauer ben\u00f6tigt, die beide Welten verbinden k\u00f6nnen. Diese Personen m\u00fcssen ein fundiertes Wissen \u00fcber den gesamten Compliance-Prozess haben. Es reicht nicht aus, nur in Silos zu denken und zu planen. Die gr\u00f6\u00dften Vorteile k\u00f6nnen nur erzielt werden, wenn Prozesse und Strukturen ganzheitlich betrachtet werden.<\/p>\n\n\n\n Klassischerweise findet man oft eine Product Owner (PO)-Rolle irgendwo in der Compliance-Organisation, die f\u00fcr die Weiterentwicklung bestehender Tools verantwortlich ist. In den letzten Jahren wurde diese Rolle h\u00e4ufig von Daten-Spezialisten unterst\u00fctzt, die Zahlen analysieren und versuchen, tiefere Einblicke aus Statistiken zu gewinnen. All das ist wichtig, aber es fehlt die ganzheitliche Sichtweise, die erforderlich ist, um die KI am effektivsten zu integrieren \u2013 insbesondere da diese Personen selbst meist Teil eines Compliance-Teams sind.<\/p>\n\n\n\n Stattdessen sollten Ihre Br\u00fcckenbauer in der Lage sein, Auswirkungen auf \u00fcbergreifende Prozesse im Zusammenhang mit Kundendaten und dem Customer Lifecycle Management (CLM) zu schaffen. Solche F\u00e4higkeiten sind nicht leicht zu finden, und ich erwarte in den kommenden Jahren keine Entspannung des aktuellen Mangels. Gl\u00fccklicherweise ist genau dies die Art von Engagements, auf die wir bei finalix spezialisiert sind und bei denen wir unseren Kunden den gr\u00f6\u00dften Nutzen bieten k\u00f6nnen.\u201c<\/p>\n\n\n\n Andrew:<\/strong><\/p>\n\n\n\n \u201eUm diese Frage zu beantworten, lohnt es sich wahrscheinlich, einen Blick darauf zu werfen, wie wir mit technologischen Entwicklungen im Allgemeinen und j\u00fcngst mit dem Aufkommen von Cloud-Infrastrukturen umgegangen sind, die \u00e4hnliche Fragen aufwarfen. W\u00e4hrend die Komplexit\u00e4t bei KI sicherlich h\u00f6her ist und zus\u00e4tzliche Faktoren wie Ethik sowie m\u00f6gliche Auswirkungen auf das Reputationsrisiko eine Rolle spielen, haben wir immer Personen ben\u00f6tigt, die die Kluft zwischen Technologie, Gesch\u00e4ft, Finanzen und Recht \u00fcberbr\u00fccken k\u00f6nnen, um die Entwicklungen in die richtige Richtung zu lenken, und das ist jetzt nicht anders. Die Herausforderung besteht jedoch darin, Fachkr\u00e4fte zu finden, die das breite Spektrum an Herausforderungen \u00fcber verschiedene Bereiche hinweg verstehen und idealerweise auch an der Gestaltung und Implementierung von L\u00f6sungen beteiligt waren, sodass sie die Organisation anleiten k\u00f6nnen.<\/p>\n\n\n\n Die Erfahrung hat gezeigt, dass Senior-Fachkr\u00e4fte, die die entsprechenden Erfahrungswerte vorweisen k\u00f6nnen, am besten geeignet sind, um die Gesamtvision zu entwickeln und die Entwicklung der L\u00f6sung zu leiten, indem sie Experten auf ihrem Gebiet steuern und multidisziplin\u00e4re Herausforderungen fr\u00fchzeitig angehen, um komplexe Programme innerhalb der Risiko- und Finanzparameter zu liefern. Diese F\u00e4higkeiten m\u00f6gen zwar zus\u00e4tzliche Kosten verursachen, werden sich aber sicherlich in komplexen Projekten auszahlen.\u201c<\/p>\n\n\n\n Es wird eine Weile dauern, bis KI vollends in die Welt von Compliance integriert wird. Wie k\u00f6nnten bis dahin erste \u00abQuick Wins\u201d aussehen? Wo sollten die Unternehmen beginnen, um m\u00f6glichst bald Ergebnisse zu sehen? Sind locale LLM Anwendungen ein guter Einstieg in die Welt der KI?<\/em><\/strong><\/p>\n\n\n\n Andrew:<\/strong><\/p>\n\n\n\n \u201eUm mit der letzten Frage zu beginnen: LLMs sind ein gutes Werkzeug, um Anwendern die M\u00f6glichkeiten von GenAI nahezubringen, jedoch m\u00fcssen die Anwender geschult werden, damit sie erfolgreich damit umgehen k\u00f6nnen. Anwender ohne ausreichende Schulung der GenAI auszusetzen, ist nicht ratsam. Die \u201eLow-Hanging-Fruit\u201c-Anwendungen umfassen (interne) Wissensdatenbanken mit durch Abruf erg\u00e4nzter Generierung (RAG), Suche mit Tools wie Perplexity und Erg\u00e4nzungen zu Desktop-Tools, obwohl diese sich noch in den Kinderschuhen befinden. Lokale (interne) generische oder sogar angepasste (Open-Source-) LLMs sind interessant, weil sie innerhalb der Unternehmensgrenzen betrieben werden k\u00f6nnen und so sichergestellt wird, dass keine Daten das Unternehmen verlassen. Sie erfordern jedoch mehr Aufwand und Wissen von den IT-Teams als cloudbasierte Dienste.<\/p>\n\n\n\n Im Compliance-Bereich kann GenAI als Wissensbasis f\u00fcr Fachexperten und Mitarbeiter im Allgemeinen eingesetzt werden. Allerdings k\u00f6nnen nat\u00fcrliche Sprachverarbeitung (NLP) und GenAI auch problemlos in heutige Compliance-Workflows eingebettet werden, um Menschen zu unterst\u00fctzen. W\u00e4hrend Menschen die endg\u00fcltigen Entscheidungen treffen m\u00fcssen, k\u00f6nnen viele allt\u00e4gliche und zeitaufw\u00e4ndige Aufgaben von Maschinen erledigt werden, sodass Menschen bessere und fundiertere Entscheidungen treffen k\u00f6nnen. Beispielhafte Aufgaben sind Textanalyse, Textzusammenfassung, Berichtsgenerierung, Sentiment-Analyse, Netzwerkanalyse und mehr, wodurch der menschliche Aufwand erheblich reduziert und Entscheidungen verbessert werden k\u00f6nnen, indem alle erforderlichen grundlegenden Informationen f\u00fcr eine gute Entscheidung bereitgestellt werden.\u201c<\/p>\n\n\n\n Daniel:<\/strong><\/p>\n\n\n\n \u201eWie Andrew bereits sagte, k\u00f6nnte ein einfacher erster Schritt in die Welt der KI die Entwicklung von LLMs zur Zusammenfassung von Richtlinien, Vertr\u00e4gen, Kundenprofilen und \u00c4hnlichem sein. Es besteht nur ein geringes Risiko bei der Anwendung solcher Programme, aber die Organisation kann dabei erste Erfahrungen sammeln und gleichzeitig davon profitieren.<\/p>\n\n\n\n Zus\u00e4tzlich sollten KI-Modelle so schnell wie m\u00f6glich eingerichtet werden, um Muster und Anomalien in gro\u00dfen Datenquellen wie Transaktionsdaten zu analysieren. Diese Modelle werden im Laufe der Zeit besser. Je fr\u00fcher Sie also damit anfangen, desto schneller werden Sie bessere Ergebnisse sehen. Ob Sie den Ergebnissen von Anfang an voll vertrauen oder einige manuelle Kontrollen und Abgleiche beibehalten, h\u00e4ngt von Ihrer Risikobereitschaft und der individuellen Situation ab.<\/p>\n\n\n\n Des Weiteren k\u00f6nnen KI-Funktionen auch bei der Berichterstellung mit geringem Risiko und geringem Aufwand unterst\u00fctzen, was erneut schnelle Erfolge und Erfahrungssammlung erm\u00f6glicht.\u201c<\/p>\n\n\n\n Klingt diese Problematik f\u00fcr Sie vertraut und zugleich? <\/em>M\u00f6chten Sie Ihr Gesch\u00e4ft mit Hilfe von KI transformieren, ben\u00f6tigen aber noch etwas mehr Anleitung, wie dies zu tun ist? Oder m\u00f6chten Sie das Gespr\u00e4ch unverbindlich fortsetzen? Andrew, Daniel und unsere anderen Fachexperten bei finalix w\u00fcrden gerne Ihre Herausforderungen und M\u00f6glichkeiten im Detail mit Ihnen besprechen.<\/em><\/p>\n\n\n\n Hier bei finalix nutzen wir KI t\u00e4glich. Dieser Artikel wurde mit Unterst\u00fctzung von MS Copilot editiert und verbessert. Das Bild zu Beginn des Artikels wurde durch ChatGPT 4.o erstellt. Schliesslich sollten Sie die M\u00f6glichkeit nicht verpassen, den komplett durch die KI erstellten und gesprochenen Podcast zu diesem Artikel zu h\u00f6ren \u2013 \u00dcberraschung garantiert!<\/p>\n\n\n\n\n
\n
\n