Technisches Resümee: Steuerung generativer KI in Finanzinstituten

Problemstellung

Finanzinstitute verwalten enorme Mengen sowohl strukturierter Daten (Preise, Transaktionshistorien, Risikomaße) als auch unstrukturierter Informationen (Verträge, regulatorische Einreichungen, Forschungsnotizen, Kundenkommunikation). Traditionelle Analysesysteme sind exzellent in gut spezifizierten Aufgaben mit strukturierten Daten, verfügen jedoch nicht über die Flexibilität, Informationen in natürlicher Sprache zu suchen, zu interpretieren, zusammenzufassen oder zu synthetisieren. Während generative Künstliche Intelligenz (GenAI) das Potenzial bietet, diese Lücke zu schließen, indem sie Text, Code und Bilder erstellt, transformiert und darüber schlussfolgert, besteht die Notwendigkeit, diese technischen Fähigkeiten spezifischen Finanzfunktionen zuzuordnen und zu verstehen, wie sie sich in Geschäftswert übersetzen lassen, ohne dabei einen neuen regulatorischen Rahmen vorzuschlagen.

Methodik

Dieses Papier verfolgt eine anwendungsorientierte Perspektive anstelle eines Kontroll- oder Regulierungsrahmens. Die Methodik umfasst:

1. Kategorisierung von Fähigkeiten: Identifizierung von fünf Kernfähigkeitsmustern generativer Systeme: Wissenssynthese, Inhaltsgenerierung, analytische Unterstützung, interaktive Unterstützung und Workflow-Orchestrierung.
2. Architekturanalyse: Untersuchung gängiger technischer Muster zum Aufbau finanzorientierter GenAI, einschließlich Retrieval-Augmented Generation (RAG), werkzeugnutzender Assistenten, multimodaler Modelle und agentischer Workflows.
3. Abbildung auf Finanzfunktionen: Systematische Zuordnung dieser Fähigkeiten und Architekturen zu den wichtigsten Finanzbereichen, einschließlich Investmentforschung, Vermögensverwaltung, Kreditwesen, Risikoanalyse, Betriebsabläufe und Versicherung.
4. Bewertung von Wert und Herausforderungen: Synthese der Quellen des Geschäftswerts sowie Identifizierung persistenter technischer Limitationen und Forschungslücken.

Zentrale Beiträge

1. Eine Landschaft der Fähigkeiten-zu-Anwendungen

Das Papier ordnet potenzielle GenAI-Anwendungsfälle im Finanzwesen um fünf distinkte Muster an:

• Wissenssynthese: Nutzung von RAG zur Suche, zum Vergleich und zur Zusammenfassung fragmentierter Belege aus Einreichungen, Berichten und E-Mils. Die Ergebnisse umfassen Zusammenfassungen von Earnings Calls, die Extraktion von Covenants und Due-Diligence-Briefings.
• Inhalts- und Kommunikationsgenerierung: Transformation technischer Inputs in kohärente Kommunikation (z. B. Kunden-E-Mails, Forschungsnotizen) und Standardisierung von Dokumenten (z. B. Konvertierung von Analystennotizen in Vorlagen).
• Analytische und Programmierunterstützung: Agieren als Schnittstelle zu Datenbanken und statistischen Bibliotheken. Modelle generieren SQL/Python-Code, interpretieren statistische Ausgaben und erklären quantitative Ergebnisse, wobei die Sprachgenerierung von der deterministischen Berechnung getrennt wird.
• Interaktive Unterstützung: Ermöglichung iterativer Exploration von Finanzinformationen über konversationelle Schnittstellen in Callcentern und analytischen Arbeitsstationen, inklusive Unterstützung mehrsprachiger Interaktion.
• Workflow-Orchestrierung: Erweiterung der Generierung auf mehrstufige Ausführungen, bei denen „Agenten“ Sequenzen von Aktionen (Abruf, Berechnung, Entwurf) über Systeme hinweg durchführen – im Gegensatz zu Assistenten, die primlich entwerfen oder empfehlen.

2. Technische Architekturmuster

Das Papier identifiziert fünf technische Muster, die für finanzorientierte Anwendungen essenziell sind (Tabelle 1):

• Prompt-basierte Assistenten: Allgemeine oder domänenspezifisch angepasste Modelle für Entwürfe und Brainstorming ohne direkten Zugriff auf private Systeme.
• Retrieval-Augmented Generation (RAG): Modelle, die auf ausgewählte interne/externe Wissensdatenbanken für die Recherche und Vertragsprüfung zugreifen.
• Tool-nutzende Copilots: Modelle, die externe Rechner, Pricing-Engines und Datenbanken für die Portfolioanalyse und Finanzmodellierung aufrufen.
• Multimodale Dokumentenintelligenz: Systeme, die Text zusammen mit Tabellen, Diagrammen und gescannten Bildern verarbeiten, um Finanzberichte zu erstellen und KYC-Prüfungen durchzuführen.
• Agentische Workflows: Mehrstufige Planung und Ausführung über Tools hinweg für Due Diligence und Ausnahmebehandlung.

3. Domänenspezifische Anwendungen

Das Papier bildet diese Fähigkeiten auf spezifische Finanzfunktionen ab:

• Investmentforschung: Zusammenfassung von Earnings Calls, Extraktion von Management-Guidance und Synthese makroökonomischer Daten.
• Vermögensverwaltung: Personalisierung von Kundenbriefings, Erklärung der Portfolio-Performance und Simulation von Szenarien (z. B. Renteneintrittszeitpunkt), während für numerische Berechnungen deterministische Engines genutzt werden.
• Kreditwesen: Extraktion von Daten aus Steuerformularen und Bankauszügen, Zusammenfassung von Kreditnehmer-Narrativen und Erstellung von Kreditmemoranden.
• Risiko & Betrug: Organisation heterogener Belege (Transaktionen, Alarme) in Untersuchungstimelines und Fall-Narrativen.
• Betriebsabläufe & Reporting: Automatisierung der Ausnahmebehandlung, Handelsbestätigungen und Erstellung von narrativen Kommentaren für Finanzberichte.
• Softwareentwicklung: Generierung von Datenpipelines, Unit-Tests und Übersetzung von Legacy-Code.
• Versicherung: Zusammenfassung von Policen, Extraktion von Schadeninformationen aus multimodalen Inputs (Fotos, Formulare) und Erstellung von Korrespondenz.

4. Quellen des Geschäftswerts

Das Papier identifiziert fünf primäre Kanäle zur Wertschöpfung:

1. Reduzierung der Such- und Lesezeit durch aufgabenspezifische Zusammenfassungen.
2. Beschleunigung der Dokumenterstellung durch hochwertige erste Entwürfe.

• Erweiterung des Zugangs zu analytischen Werkzeugen über natürliche Sprachschnittstellen.

4. Verbesserung der Workflow-Kontinuität durch Übertragung des Kontextes von der Recherche zur Dokumentation.
5. Ermöglichung neuer Produkte basierend auf personalisierter, konversationeller und multimodaler Interaktion.

Ergebnisse und Limitationen

Das Papier präsentiert keine empirischen experimentellen Ergebnisse, sondern eine synthetisierte Landschaft aktueller und naher zukünftiger Anwendungen. Es kommt zu dem Schluss, dass die vielversprechendsten Anwendungen Hybridsysteme sind, die generative Modelle mit domänenspezifischen Daten und spezialisierten Werkzeugen kombinieren. In dieser Architektur liefert RAG Zugang zu aktuellen Dokumenten, analytische Engines führen zuverlässige Berechnungen durch und multimodale Modelle interpretieren komplexe Formulare, wodurch GenAI die etablierte Finanzanalyse ergänzt, statt sie zu ersetzen.

Das Papier weist explizit auf mehrere technische Limitationen hin, die zentral für die Entwicklung bleiben:

• Halluzinationen: Modelle können nicht belegte Aussagen oder erfundene Zitate produzieren.
• Kontextuelle Degradation: Die Leistung kann bei sehr langen Dokumenten, unvollständigem Retrieval oder hochspezialisierter Terminologie sinken.
• Numerische Argumentation: Modelle sind ohne externe Tools bei Berechnungen unzuverlässig.
• Evaluationslücken: Es besteht Bedarf an finanzspezifischen Benchmarks, Techniken zur fundierten Generierung und einer besseren Evaluierung agentischer Workflows.

Bedeutung

Das Papier positioniert sich als grundlegende Ressource für Forscher und Praktiker, die verstehen wollen, wo generative KI die größte operative und analytische Wirkung im Finanzdienstleistungssektor entfalten kann. Es argumentiert, dass GenAI eine neue Interaktionsschicht über Finanzdaten, Dokumente, Software und menschliches Fachwissen hinweg einführt. Seine Bedeutung liegt in der Verschiebung des Fokus von rein konversationellen Schnittstellen hin zu einer breiteren Sichtweise, in der GenAI die Investmentforschung, Kreditvergabe, Betrugsbekämpfung und Softwareentwicklung unterstützt, indem unstrukturierte Informationen in durchsuchbares Wissen und mehrstufige digitale Workflows transformiert werden. Das Papier plädiert für eine Zukunft, in der Hybridsysteme – die generative Schnittstellen mit deterministischer Analytik verbinden – zum Standard für Finanzinstitute werden.