Geldinstitute > Strategie

18.01.2018 von Dr. Hendrik Schreiber, SQS Software Quality Systems AG

Wie Softwareroboter das Banking effizienter gestalten können

Durch Automatisierung können Banken und Versicherungen effizienter den wachsenden Bedürfnissen der ­Kunden gerecht werden. Doch während regelbasiert arbeitende Bots bereits heute in ­nahezu allen größeren Unternehmen der Finanzwirtschaft ausprobiert werden, ist es bis zur Realisierung von Anwendungen auf der Basis Künstlicher Intelligenz noch ein weiter Weg.

Dr. Hendrik Schreiber, Practice Team Lead Digital Banking bei SQS Software Quality Systems AG

Von kaum einem Thema verspricht sich die Bankwirtschaft aktuell so viel Effizienzgewinn wie von der Automatisierung von Banking-Prozessen. Egal ob Robo-Advisor und Bots in der Beratung oder Automation-Tools im Backend, die große Datenmengen auswerten oder Datenbanken abgleichen – an vielen Stellen in den Workflows steckt Potenzial für Kosteneinsparungen und Entlastungen der Mitarbeiter. Die werden nicht überflüssig, sondern gewinnen dadurch mehr Zeit für herausforderndere Tätigkeiten.

Doch das Etablieren von automatisierten Prozessen in der Bankenwelt ist aufwendig und erfordert umfassendes Know-how. Und nicht alles, was unter dem Schlagwort Künstliche Intelligenz verkauft wird, verdient dieses Label auch. Der Begriff der Künstlichen Intelligenz wird aktuell oft für Dinge genutzt, die eher eine fortgeschrittene Form der Automatisierung darstellen. Dabei gibt es mehrere Automatisierungsgrade: Auf der untersten Ebene steht die herkömmliche Automation auf der Basis von Sensoren und Aktoren, eine Ebene höher die Testautomation. Anspruchsvoller ist dagegen die Robotic Process Automation (RPA). Hier lassen sich regelbasiert sehr gleichartige Prozesse im Back Office abbilden, die auch systemübergreifend stattfinden können. Beispielsweise kann eine Bank so bestimmte Datensätze regelbasiert auf dieselbe Art konvertieren oder nach bestimmten Vorgaben verarbeiten. Dabei handelt es sich oft um repetitive Vorgänge, die bislang ein Mitarbeiter erledigen musste. Der Vorteil der Automatisierung liegt nicht nur in den Kostenein­sparungen, sondern auch in der Verringerung der Fehler bei gleichbleibend hoher ­Geschwindigkeit. Denn die Zahl der Fehler und Vertipper steigt erfahrungsgemäß mit der Zeit an, wenn ein Mitarbeiter über längere Zeit dieselbe Tätigkeit ausübt.  

Künstliche Intelligenz als komplexeste Variante


Deutlich weiter geht hier die Automatisierung auf der Basis Künstlicher Intelligenz. Sie setzt ein lernendes System voraus, das nicht nur von Haus aus über einen riesigen Datenpool verfügt, sondern auch sukzessive aufgrund von Durchläufen und absolvierten Fällen dazu lernt. Die Datenstrukturen sind hierbei um einiges komplexer als in den anderen Fällen. Entscheidungen lassen sich aufgrund der immer leistungsfähigeren IT-Ressourcen dennoch in Echtzeit treffen.

Dieser Anstieg an Komplexität spiegelt sich auch im höheren Aufwand für das Testing wider. Ergänzend zu den üblichen Testverfahren müssen neue Wege gefunden werden, um mit selbstlernenden Systemen umzugehen. Ein möglicher Weg ist Crowd-Testing, beispielsweise bei der ­Erprobung von Chatbot-basierten Anwendungen. Beim Test selbstlernender Systeme müssen die Daten zum Anlernen der KI außerdem sorgfältig unter statistischen Gesichtspunkten ausgewählt werden. Das ist erforderlich, damit der Test der späteren Realität adäquat gerecht wird.

Ganzheitliches Projektmanagement


Die Themen in diesem Kontext, mit denen sich die Finanzinstitute aktuell befassen, sind vielfältig: Da ist zum einen die Fragestellung, für welche Entscheidungen sich der Einsatz von Software-Robotik überhaupt lohnen kann, wo die größten Einsparpotenziale gepaart mit einer hohen Wahrscheinlichkeit an validen Entscheidungen stecken. Weiterhin spielt ­natürlich auch der jeweilige Einführungsprozess eine Rolle, also die Frage, wie solche Prozesse unter Einhaltung der ­Security- und Compliance-Regeln in die Bank eingebracht werden können.

Zunächst wird in der Regel ein Pilot­projekt durchgeführt, um dem Kunden das Potenzial aufzuzeigen und den Mehrwert zu demonstrieren – und um ihm zu zeigen, dass und wie eine solche Anwendung funktioniert. Mit dem Kunden zusammen wählt das Unternehmen dazu im Rahmen einer Prozessanalyse die Prozesse aus, die aufgrund des Volumens und der Automatisierbarkeit ein Einspar­potenzial erwarten lassen. Denn die Spar­potenziale sind in der Regel die erste Triebfeder der Finanzunternehmen, wenn es um das Thema Automatisierung geht. Aus einer Liste möglicher Prozesse ­werden dann ein oder zwei geeignete ­Pro­zesse ausgewählt.

Zu viele sollten es in der Tat anfangs auch nicht sein, weil ein solches Pilotprojekt neben der eigentlichen Automatisierung auch dazu dienen soll, die IT-Infrastruktur des Unternehmens und die Qualität der Daten kennen zu lernen und sich auf die Workflows des Kunden einzustellen. Eine Hürde können beispielsweise unterschiedliche Datenbanken und -quellen sein, deren Informationen zusammenkommen. Wichtig ist: Die Daten müssen in einer maschinenlesbaren Form vorliegen. Text in Bildern muss etwa zunächst über OCR-Verfahren erkannt und korrekt umgewandelt werden. Dabei sind gegebenenfalls weiterführende Transformationsschritte in passende Datenstrukturen erforderlich.  

Missverständliche Mensch-Maschine-Kommunikation


Dabei müssen Unternehmen auch den Change-Prozess und die Befürchtungen der hiervon betroffenen Mitarbeiter im Blick behalten. Denn die befürchten oft, dass sie aufgrund der Veränderungen in Zukunft nicht mehr gebraucht werden könnten. Besonders auffällig ist das in einem Umfeld, das bislang dem Menschen vorbehalten war: der mündlichen Kommunikation mit dem Kunden. Denn als spannendes neues Betätigungsfeld für Banken, Versicherungen und Unternehmen erweist sich in der Tat neuerdings auch die Kommunikation auf der Basis sprachgesteuerter Technologien, wie wir sie von Siri, ­Alexa oder Google Assistant kennen.

Doch deren Akzeptanz hängt stark von der Qualität der Interaktion ab. So haben immerhin 61 Prozent der Deutschen laut ­einer aktuellen PwC-Studie Bedenken, dass diese sprachliche Interaktion mit dem Rechner fehleranfällig ist (Quelle zur PwC-Studie: https://www.pwc.de/de/consulting/management-consulting/pwc-befragung-digitale-assistenten-2017.pdf). Die Funktion von Sprach-Bots zu testen, ist aufwendiger als übliche Testing-Verfahren. Denn anders als bei Kommunikation von Maschinen untereinander gibt es bei der Mensch-Maschine-Kommunikation vielfältige Möglichkeiten, sich falsch zu verstehen aufgrund der unterschiedlichen Verhaltensweisen und Reaktionen des Menschen. Man benötigt hier sehr intelligente Ansätze, um die richtigen Daten herauszufiltern – eben jene, auf deren Basis man Entscheidungen treffen kann, die dem Kunden einen Mehrwert generieren. Echte Künstliche Intelligenz könnte beispielsweise auch anhand von zögernden oder souverän vorgetragenen Antworten erkennen, wie sicher der menschliche Kunde sich in seiner Einschätzung sei.

Banken beziehen Know-how von Digitallaboren


Hier trennt sich die Spreu vom Weizen: Denn während es aktuell eine Vielzahl an Pilotprojekten im Bereich regelbasierte Software-Robotik gibt, werden die ­Chancen und Risiken der Künstlichen ­Intelligenz erst noch evaluiert – und das auf ­einer sehr theoretischen Ebene, die noch weit vom zuverlässigen Regel­betrieb entfernt ist.

Nahezu alle Bankinstitute bemühen sich aktuell darum, Prozesse regelbasiert im Backend zu automatisieren, um effizienter zu werden. Dabei findet vieles an Entwicklungsarbeit in den Banken und Versicherungen selbst statt. Verschiedene Banken haben in der Vergangenheit eigene Digitallabore und Abteilungen zur digitalen Transformation gegründet. Oft spielen aber auch FinTech-Start-ups als externe oder zum Unternehmen gehörende „Beiboote“ eine Rolle. Diese können das Ökosystem der Banken bereichern und – beispielsweise im Fall der Robo-Advisor – Geldanlage für Kunden auf der Basis von Regeln und Erkenntnissen über die Kundenhistorie und Customer Journey anbieten.

Wie experimentierfreudig Banken in diesem Zusammenhang sind, steht natürlich im direkten Zusammenhang zur Anwendung: Für eine unverbindliche, nicht kundenspezifische Auskunft kommt es lediglich auf die Convenience und das Nutzungserlebnis des Kunden an, bei BaFin-konformen Auskünften und rechtlich bindenden Verträgen spielen dagegen auch die Compliance-Richtlinien im Banking-Umfeld sowie die Security-Situation eine entscheidende Rolle. Gerade wenn externe Partner hinzukommen, ergeben sich immense Herausforderungen im Hinblick auf Datensicherheit, Privatsphäre und Compliance. Und generell spielt bei Entscheidungen über Finanzdienstleistungen und diesbezüglicher Beratung natürlich die Haftungsfrage der Banken eine wichtige Rolle. Das ist wohl auch ein Grund, warum sich die Geldinstitute mit allem, was über rein regelbasierte Modelle hinausgeht, immer noch so schwer tun.