Wie künstliche Intelligenz das Finanzwesen revolutioniert

Zusammenfassung

Allzwecktechnologie ist ein Begriff, den Ökonomen für Technologien reserviert haben, die langanhaltendes Wirtschaftswachstum und gesellschaftlichen Fortschritt ankurbeln und den Betrieb von Haushalten und Unternehmen gleichermaßen revolutionieren. Eine beispielhafte Allzwecktechnologie ist Elektrizität. Elektrizität hat eine Vielzahl von Produkten und Sektoren hervorgebracht, darunter Kühlschränke, Waschmaschinen, Züge und natürlich Computer. Das Aufkommen der Elektrizität hat die Welt radikal verändert.

Ein kürzlich erschienener Artikel der Harvard Business Review bezeichnet künstliche Intelligenz (KI) als die wichtigste Allzwecktechnologie unserer Zeit . Wir sind mit der Leistungsfähigkeit von KI vertraut. Es manifestiert sich in Form eines Roboters, der einen weltberühmten Schachspieler besiegt. Ein Auto, das selbst parallel einparken kann. Geräte, die mit dem Wetter von morgen antworten, wenn wir danach fragen. Aber ein Großteil unseres Kontakts mit und unseres Verständnisses von KI dreht sich um Produkte, die unseren Alltag als Verbraucher beeinflussen. Auf organisatorischer Ebene stellt sich die größere Frage, wie KI Branchen stören wird, und insbesondere, wie Finanzdienstleister KI nutzen werden.

Der folgende Artikel definiert die künstliche Intelligenz, den Bereich der damit verbundenen Technologien, die Größe der gesamten KI-Industrie und die Anwendungen der künstlichen Intelligenz im Finanzwesen. Dieses Stück soll kein normatives Urteil über die KI-Entwicklung abgeben; Vielmehr wird es sich darauf konzentrieren, wie KI das Finanzwesen stört.

Künstliche Intelligenz: Was ist KI?

Künstliche Intelligenz ist ein Bereich der Informatik, der sich auf die Schaffung intelligenter Maschinen konzentriert, die wie Menschen funktionieren. KI-Computer sind so konzipiert, dass sie menschliche Funktionen wie Lernen, Entscheidungsfindung, Planung und Spracherkennung ausführen.

Künstliche Intelligenz versetzt Maschinen in die Lage, ihre Leistung kontinuierlich zu verbessern, ohne dass der Mensch dazu vorgeschriebene Anweisungen gibt. Dies ist aus mehreren Gründen von Bedeutung. Erstens wissen Menschen mehr, als wir sagen können. Das heißt, Menschen können in der Lage sein, ein Gesicht zu erkennen oder eine intelligente Strategie in einem Schachspiel auszuführen. Vor der fortschrittlichen Technologie der künstlichen Intelligenz bedeutete die Unfähigkeit der Menschen, unser Wissen zu artikulieren, jedoch, dass wir viele Aufgaben nicht automatisieren konnten. Zweitens ist die KI-Technologie in der Ausführung übermenschlich und arbeitet schneller und oft genauer als Menschen.

Technologien der künstlichen Intelligenz

Künstliche Intelligenz umfasst eine Vielzahl von Fähigkeiten und Technologien. Das Beratungsunternehmen PWC bekräftigt, dass KI „kein monolithisches Themengebiet ist. Es umfasst eine Reihe von Dingen, die alle zu unserer Vorstellung davon beitragen, was es bedeutet, ‚intelligent‘ zu sein.“ Im Folgenden sind einige der beliebtesten Bereiche der KI aufgeführt:

• Maschinelles Lernen ist eine Methode der Datenanalyse, die den Aufbau analytischer Modelle automatisiert. Mithilfe von Algorithmen, die iterativ aus Daten lernen, ermöglicht maschinelles Lernen Computern, verborgene Erkenntnisse zu finden, ohne explizit programmiert zu werden, wo sie suchen sollen.
• Deep Learning ist eine Teilmenge des maschinellen Lernens. Es hat die Objekterkennung in Bildern, Videokennzeichnung und Aktivitätserkennung erleichtert und macht Fortschritte bei der Wahrnehmung (einschließlich Audio und Sprache). Beispielsweise wurde Facebooks Deep-Learning-Anwendung DeepFace darauf trainiert, Personen auf Fotos zu erkennen. Viele ziehen den Vergleich zwischen Deep-Learning-Technologie und Biologie, aber Experten sind sich im Allgemeinen einig, dass sie zwar vom menschlichen Gehirn inspiriert, aber nicht unbedingt nachempfunden ist.
• Natural Language Processing ist die Fähigkeit eines Computerprogramms, menschliche Sprache in Echtzeit zu verstehen. Forschung und Entwicklung verlagern sich hin zu Systemen, die in der Lage sind, mit Menschen im Dialog zu interagieren und nicht nur auf stilisierte Anfragen zu reagieren.
• Das Internet der Dinge (IoT) widmet sich der Idee, dass eine Vielzahl von Geräten, einschließlich Geräten, Fahrzeugen und Gebäuden, miteinander verbunden werden können. Wenn Ihr Wecker beispielsweise um 7:00 Uhr klingelt, könnte er automatisch Ihre Kaffeemaschine benachrichtigen, damit sie mit der Kaffeezubereitung für Sie beginnt. Wearable-Technologien, die beim Tragen als Sensoren fungieren, sind ebenfalls Teil dieses größeren Trends.

Natürlich ist diese Liste nicht vollständig. Nachfolgend finden Sie ein breiteres Spektrum an Themen und Technologien der künstlichen Intelligenz.

Marktgröße für künstliche Intelligenz

Der oben erwähnte Artikel der Harvard Business Review prognostiziert, dass „die Auswirkungen der KI in den kommenden zehn Jahren verstärkt werden, da Fertigung, Einzelhandel, Transport, Finanzen, Gesundheitswesen, Recht, Werbung, Versicherungen, Unterhaltung, Bildung und praktisch jede andere Branche sie verändern werden Kernprozesse und Geschäftsmodelle, um maschinelles Lernen zu nutzen. Der Engpass liegt im Management, in der Implementierung und in der unternehmerischen Vorstellungskraft.“

Die weit verbreitete Einführung von KI in allen Branchen wird Prognosen zufolge weltweite Einnahmen von 12,5 Milliarden US-Dollar im Jahr 2017 und 47 Milliarden US-Dollar im Jahr 2020 mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 55,1 % von 2016 bis 2020 antreiben. Insbesondere die Branchen, in die am meisten investiert wird die Technologie sind Banken und Einzelhandel, gefolgt von Gesundheitswesen und Fertigung. Insgesamt werden diese vier Branchen im Jahr 2016 über die Hälfte der weltweiten KI-Einnahmen ausmachen, wobei der Banken- und der Einzelhandelssektor jeweils fast 1,5 Milliarden US-Dollar liefern.

Branchenübergreifend werden die größten KI-Investitionen im Jahr 2017 in Bereichen wie automatisierten Kundendienstmitarbeitern, automatisierter Bedrohungsaufklärung und Betrugsanalyse getätigt (siehe Grafik unten). Laut Jessica Goepfert, Programmdirektorin beim Marktforschungsunternehmen IDC, „liegen kurzfristig Chancen für kognitive Systeme in Branchen wie Banken, Wertpapieren und Investitionen sowie der Fertigung. In diesen Segmenten finden wir eine Fülle unstrukturierter Daten, den Wunsch, Erkenntnisse aus diesen Informationen zu gewinnen, und eine Offenheit für innovative Technologien.“ Der nächste Abschnitt dieses Artikels befasst sich mit den verschiedenen Anwendungsfällen für künstliche Intelligenz in der Finanzdienstleistungsbranche.

Aktuelle und zukünftige Anwendungen der künstlichen Intelligenz im Finanzwesen

Künstliche Intelligenz im Finanzwesen könnte die betriebliche Effizienz in Bereichen vorantreiben, die von Risikomanagement und Handel bis hin zu Underwriting und Schadensregulierung reichen. Während einige Anwendungen für bestimmte Sektoren innerhalb der Finanzdienstleistung relevanter sind, können andere allgemein genutzt werden.

Künstliche Intelligenz im Finanzwesen: Risikomanagement

Künstliche Intelligenz hat sich als äußerst wertvoll erwiesen, wenn es um Sicherheit und Betrugserkennung geht. Herkömmliche Methoden zur Betrugserkennung umfassen Computer, die strukturierte Daten anhand einer Reihe von Regeln analysieren. Beispielsweise könnte ein bestimmtes Zahlungsunternehmen einen Schwellenwert für Überweisungen auf 15.000 US-Dollar festlegen, sodass jede Transaktion, die diesen Betrag überschreitet, zur weiteren Untersuchung gekennzeichnet wird. Diese Art der Analyse produziert jedoch viele Fehlalarme und erfordert viel zusätzlichen Aufwand. Vielleicht noch wichtiger ist, dass Cybercrime-Betrüger häufig ihre Taktik ändern. Daher müssen die effektivsten Systeme immer intelligenter werden.

Mit fortschrittlichen Lernalgorithmen, wie denen aus Deep Learning, können dem System neue Funktionen zur dynamischen Anpassung hinzugefügt werden. Laut Samir Hans, Beratungsleiter bei Deloitte Transactions and Business Analytics LLP, „können Betrugserkennungsmodelle mit kognitiver Analyse robuster und genauer werden. Wenn ein kognitives System etwas herausschmeißt, das es als potenziellen Betrug feststellt, und ein Mensch aufgrund von X, Y und Z feststellt, dass es sich nicht um Betrug handelt, lernt der Computer aus diesen menschlichen Erkenntnissen und sendet Ihnen beim nächsten Mal keine ähnliche Erkennung . Der Computer wird immer intelligenter.“

PayPals Erfolg mit künstlicher Intelligenz und Betrugserkennung

Nehmen Sie zum Beispiel den Zahlungsgiganten PayPal und seine fortschrittlichen Betrugsprotokolle. Aufgrund seiner Größe und Sichtbarkeit hat PayPal „ein riesiges Ziel auf dem Rücken“. Es verarbeitete 2015 235 Milliarden US-Dollar aus vier Millionen Transaktionen seiner 170 Millionen Kunden. PayPal konnte jedoch die Sicherheit durch die Nutzung von Deep-Learning-Technologie erhöhen. Tatsächlich ist der Betrug von PayPal mit 0,32 % des Umsatzes relativ gering, eine Zahl, die weit über dem Durchschnitt von 1,32 % liegt, den Händler sehen.

In der Vergangenheit verwendete PayPal einfache, lineare Modelle. Heute minen seine Algorithmen Daten aus der Kaufhistorie eines Kunden und überprüfen Muster wahrscheinlicher Betrugsfälle, die in seinen wachsenden Datenbanken gespeichert sind. Während ein lineares Modell 20-30 Variablen verbrauchen kann, kann die Deep-Learning-Technologie Tausende von Datenpunkten steuern. Diese erweiterten Funktionen helfen PayPal, unschuldige Transaktionen von verdächtigen zu unterscheiden. Laut Hui Wang, Senior Director of Global Risk Sciences bei PayPal, „erfreuen wir uns am moderneren, fortschrittlicheren maschinellen Lernen dessen Fähigkeit, viel mehr Daten zu verbrauchen, Abstraktionsschichten und -schichten zu handhaben und in der Lage zu sein, Dinge zu ‚sehen‘ [… ] nicht einmal Menschen können sehen.“

Künstliche Intelligenz im Finanzwesen: Handel

Übergang von menschengemachten Modellen zu echter KI

Seit Jahren verlassen sich Anlageverwaltungsgesellschaften auf Computer, um Geschäfte zu tätigen. Rund 1.360 Hedgefonds, die 9 % aller Fonds ausmachen, verlassen sich auf große statistische Modelle, die von Datenwissenschaftlern entwickelt wurden, die oft einen Doktortitel in Mathematik haben (auch bekannt als „Quants“). Diese Modelle verwenden jedoch nur historische Daten, sind oft statisch, erfordern menschliches Eingreifen und funktionieren nicht so gut, wenn sich der Markt ändert. Folglich migrieren Fonds zunehmend zu echten Modellen der künstlichen Intelligenz, die nicht nur große Datenmengen analysieren können, sondern sich auch immer weiter verbessern.

Diese neuen Technologien nutzen komplexe Techniken, darunter Deep Learning, eine Form des maschinellen Lernens namens Bayes'sche Netzwerke, und evolutionäre Berechnungen, die von der Genetik inspiriert sind. KI-Handelssoftware kann enorme Datenmengen aufnehmen, um mehr über die Welt zu erfahren und Vorhersagen über den Finanzmarkt zu treffen. Um globale Trends zu verstehen, können sie alles von Büchern, Tweets, Nachrichtenberichten, Finanzdaten, Gewinnzahlen und internationaler Geldpolitik bis hin zu Saturday Night Live-Skizzen nutzen.

Um es klar zu sagen, das Obige unterscheidet sich vom Hochfrequenzhandel (HFT), der es Händlern ermöglicht, Millionen von Aufträgen auszuführen und mehrere Märkte in Sekundenschnelle zu scannen, um auf Möglichkeiten auf eine Weise zu reagieren, die Menschen einfach nicht können. Die oben diskutierten KI-gesteuerten Plattformen suchen langfristig nach den besten Trades, und Maschinen – nicht Menschen – diktieren die Strategie.

Einige dieser KI-Handelssysteme werden von Startups entwickelt. Aidiya mit Sitz in Hongkong ist beispielsweise ein vollständig autonomer Hedgefonds, der alle seine Aktiengeschäfte mit künstlicher Intelligenz (KI) abwickelt. „Wenn wir alle sterben“, sagt Mitbegründer Ben Goertzel, „würde der Handel weitergehen.“ Auch traditionelle Institutionen sind an der KI-Handelstechnologie interessiert. Im Jahr 2014 leitete Goldman Sachs die Finanzierungsrunde der Serie A und begann mit der Installation einer KI-Handelsplattform namens Kensho. An der Serie-B-Runde von Kensho nahmen neben S&P Global auch die sechs größten Banken der Wall Street (Goldman Sachs, JPMorgan Chase, Bank of America Merrill Lynch, Morgan Stanley, Citigroup und Wells Fargo) teil.

Handelsleistungsvergleich

Eine kürzlich vom Investmentforschungsunternehmen Eurekahedge durchgeführte Studie verfolgte die Performance von 23 Hedgefonds, die KI von 2010 bis 2016 einsetzten, und stellte fest, dass sie die von traditionelleren Quants und allgemeinen Hedgefonds verwalteten übertrafen.

Implikationen für Trader und Quants

Es wird interessant sein zu beobachten, wie sich KI auf den Arbeitsmarkt im Handel auswirken wird. Seine Auswirkungen sind bereits bei einigen großen Bankinstituten sichtbar. Im Jahr 2000 beschäftigte Goldman Sachs Handelsabteilung für US-Kassaaktien in seiner New Yorker Zentrale 600 Händler, die Aktien kauften und verkauften. Heute hat es zwei Aktienhändler, den Rest erledigen Maschinen. Daniel Nadler, CEO von Kensho, erklärt: „In 10 Jahren wird Goldman Sachs deutlich weniger Mitarbeiter haben als heute.“ Und was die Quants anbelangt, stellen sie möglicherweise fest, dass ihre Fähigkeiten von Investment-Management-Gesellschaften weniger gefragt sind.

Derzeit fließen etwa ein Drittel der Absolventen von Top-Business-Programmen in die Finanzbranche ein. Wohin würden einige der besten Talente der Nation ziehen? Mark Minevich, leitender Berater des US Council on Competitiveness, glaubt, dass „einige dieser intelligenten Leute in Tech-Startups einsteigen oder bei der Entwicklung von mehr KI-Plattformen, autonomen Autos oder Energietechnologie helfen werden […] New York könnte mit Silicon konkurrieren Tal in der Technik.“

Künstliche Intelligenz im Finanzwesen: Robo-Advisory

Was ist ein Robo-Advisor und wie funktioniert er?

Robo-Advisors sind digitale Plattformen, die automatisierte, algorithmusgesteuerte Finanzplanungsdienste mit minimaler menschlicher Überwachung bereitstellen. Während menschliche Finanzmanager seit den frühen 2000er Jahren die automatisierte Portfolioallokation nutzen, mussten Investoren Berater einstellen, um von der Technologie zu profitieren. Heute ermöglichen Robo-Advisors den Kunden den direkten Zugriff auf den Service. Im Gegensatz zu ihren menschlichen Kollegen überwachen Robo-Berater die Märkte rund um die Uhr und sind rund um die Uhr verfügbar. Robo-Berater können Anlegern auch Kosteneinsparungen von bis zu 70 % bieten und verlangen in der Regel niedrigere oder keine Mindestbeträge für die Teilnahme.

Heute können Robo-Berater bei sich wiederholenden Aufgaben wie Kontoeröffnung und Vermögensübertragung helfen. Der Prozess beinhaltet in der Regel, dass Kunden einfache Fragebögen zu Risikobereitschaft oder Liquiditätsfaktoren beantworten, die Robo-Advisors dann in Anlagelogik übersetzen. Die Mehrheit der aktuellen Robo-Berater zielt darauf ab, ihre Kunden auf der Grundlage ihrer Präferenzen verwalteten ETF-Portfolios zuzuweisen. Es wird erwartet, dass sich die Fähigkeiten in Zukunft zu fortschrittlicheren Angeboten wie automatischen Vermögensumschichtungen und einer erweiterten Abdeckung alternativer Anlageklassen wie Immobilien entwickeln werden.

Robo-Advisory kann einen großen Einfluss auf die Bereiche Personal Finance und Vermögensverwaltung haben. Während das derzeit verwaltete Gesamtvermögen (AUM) von Robo-Advisors nur 10 Milliarden US-Dollar der 4 Billionen US-Dollar der Vermögensverwaltungsbranche (weniger als 1 % des gesamten verwalteten Kontovermögens) ausmacht, schätzt eine Studie von Business Insider, dass diese Zahl bis 2020 auf 10 % steigen wird Dies entspricht etwa 8 Billionen US-Dollar AUM.

Einführung von Robo-Advice in der Industrie

Branchenakteure haben unterschiedliche Ansätze für Robo-Advisory entwickelt. Kleinere Vermögensverwaltungsfirmen fügen algorithmische Komponenten hinzu, um ihre Anlageverwaltung zu automatisieren, Kosten/Gebühren zu senken und mit Robo-Advisors zu konkurrieren. Auf der anderen Seite kaufen etablierte Investmentfirmen bestehende Robo-Advisors, wie die Übernahme von Jemstep durch Invesco, oder entwickeln ihre eigenen Robo-Advisor-Lösungen, wie FidelityGo und Schwabs Intelligent Advisory.

Robo-Advisors vs. Finanzberater: Wird der Mensch ersetzt?

Der allgemeine Konsens unter Experten ist, dass der Mensch unverzichtbar bleiben wird. Die menschliche Note wird entscheidend bleiben, da Berater Kunden auch in schwierigen finanziellen Zeiten beruhigen und sie mit hilfreichen Lösungen überzeugen müssen. Eine vom Beratungsunternehmen Accenture durchgeführte Studie ergab, dass 77 % der Vermögensverwaltungskunden ihren Finanzberatern vertrauen, während 81 % angeben, dass persönliche Interaktion wichtig ist. Für Kunden mit komplexen Anlageentscheidungen gewinnt das hybride Beratungsmodell, das computergestützte Dienstleistungen mit menschlichen Beratern koppelt, an Bedeutung.

Während Finanzberater im Mittelpunkt bleiben werden, können Robo-Advisors zu Verschiebungen in ihren beruflichen Verantwortlichkeiten führen. Wenn KI sich wiederholende Aufgaben verwaltet, könnten Investmentmanager die Verantwortung eines Datenwissenschaftlers oder -ingenieurs übernehmen, beispielsweise die Wartung des Systems. Menschen konzentrieren sich möglicherweise auch mehr auf den Aufbau von Kundenbeziehungen und erklären die Entscheidungen, die die Maschine getroffen hat.

Künstliche Intelligenz im Finanzwesen: Versicherungswesen und Ansprüche

Versicherungen beruhen auf dem Risikoausgleich zwischen Personengruppen; Versicherer fassen ähnliche Personen zusammen, und einige Personen verlangen Auszahlungen, andere nicht. Die Branche ist um die Risikobewertung herum aufgebaut; Versicherungsunternehmen ist die Datenanalyse nicht fremd. KI kann jedoch die Menge der analysierten Daten sowie die Art und Weise, wie sie verwendet werden können, erweitern, was zu genaueren Preisen und anderen betrieblichen Effizienzsteigerungen führt.

Startups stehen an vorderster Front, wenn es darum geht, die Branche voranzubringen. „Die Start-ups zeigen, was möglich und machbar ist“, sagt Henrik Naujoks, Partner bei Bain & Co. Viele etablierte Führungskräfte sehen sich das an – sie verstehen es nicht wirklich, aber sie wollen sich engagieren.“ Auch Anleger haben diesen Trend erkannt (siehe unten). Im Jahr 2016 war KI eines der beliebtesten Themen für Investitionen in Versicherungstechnologien.

Künstliche Intelligenz und Underwriting

Ein PWC-Bericht prognostiziert, dass KI bis 2020 einen beträchtlichen Teil des Underwritings automatisieren wird, insbesondere in reifen Märkten, in denen Daten verfügbar sind. Gegenwärtig bewertet ein Versicherungsversicherer mit Hilfe von Computersoftware und versicherungsmathematischen Modellen das Risiko und die Belastungen potenzieller Kunden, wie viel Deckung sie erhalten sollten und wie viel ihnen dafür in Rechnung gestellt werden sollte. Kurzfristig kann KI dabei helfen, große Mengen an Underwriting in Auto-, Haus-, Gewerbe-, Lebens- und Gruppenversicherungen zu automatisieren. In Zukunft wird die KI die Modellierung verbessern und wichtige Überlegungen für menschliche Entscheidungsträger hervorheben, die sonst möglicherweise unbemerkt geblieben wären. Es wird auch vorausgesagt, dass fortschrittliche KI ein personalisiertes Underwriting durch Unternehmen oder Einzelpersonen ermöglichen wird, wobei einzigartige Verhaltensweisen und Umstände berücksichtigt werden.

Verbessertes Underwriting kann nicht nur maschinelles Lernen für das Data Mining nutzen, sondern auch tragbare Technologie und Deep-Learning-Gesichtsanalysegeräte. Lapetus, ein Startup, möchte beispielsweise mithilfe von Selfies die Lebenserwartung genau vorhersagen. In ihrem vorgeschlagenen Modell werden Kunden ihre Selbstporträts per E-Mail versenden, die Computer dann scannen und analysieren – wobei Tausende von Regionen des Gesichts analysiert werden. Die Analyse würde alles berücksichtigen, von grundlegenden demografischen Daten bis hin zur Alterung der Person, ihrem Body-Mass-Index und ob sie raucht. Darüber hinaus könnte tragbare Technologie den Underwriting-Prozess kooperativer gestalten. Anstatt sich auf langwierige medizinische Untersuchungen und komplizierte Vertragsprozesse zu verlassen, können Wearables Echtzeit-Einblicke in die Gesundheit und das Verhalten der Versicherungsnehmer liefern. Das maschinelle Lernen im Finanzbereich entwickelt sich offensichtlich bereits weiter.

Diese Arten differenzierter Risikoanalysen in Echtzeit ermöglichen nicht nur eine genauere Kundenpreisgestaltung, sondern auch eine Früherkennung von Gesundheitsrisiken und eine Gelegenheit für Versicherungsunternehmen, in Prävention zu investieren. Anstatt letztendlich kostspielige Behandlungen für den Patienten zu bezahlen, können Versicherungsunternehmen proaktiv versuchen, die Wahrscheinlichkeit von Schäden und die damit verbundenen Kosten zu senken.

In einer Oxford-Studie aus dem Jahr 2013, in der über 700 Berufe analysiert wurden, um festzustellen, welche am anfälligsten für die Computerisierung sind, wurden Versicherungsversicherer zu den fünf am stärksten anfälligen Berufen gezählt. Selbst wenn KI einen Underwriter nicht vollständig ersetzt, kann die KI-Automatisierung die Verantwortlichkeiten eines Underwriters verändern. KI kann die Zeit eines Underwriters für einen höheren Mehrwert freisetzen, wie z. B. die Bewertung und Preisgestaltung von Risiken in weniger datenreichen Schwellenländern, und bietet mehr Feedback zu Risikomanagement und Produktentwicklung.

Künstliche Intelligenz und Versicherungsansprüche

Versicherungsansprüche sind formelle Zahlungsaufforderungen, die an Versicherungsunternehmen gesendet werden. Versicherungsunternehmen prüfen dann den Anspruch auf Gültigkeit und zahlen nach Genehmigung an den Versicherten aus. So kann künstliche Intelligenz den Prozess verbessern:

Verbesserte Genauigkeit der Kundendaten. Der Anspruchsprozess ist ziemlich manuell: Menschliche Agenten protokollieren manuell Kundeninformationen und Vorfallsdetails. Laut einem Bericht von Experian kann die Datenqualität leiden: Unvollständige Daten machen 55 % der Datenfehler aus, während Tippfehler 32 % ausmachen. KI kann die Genauigkeit verbessern, indem manuelle Eingaben reduziert werden. Darüber hinaus müssen Versicherungsagenten bei Schadensfällen häufig Kundeninformationen mit zahlreichen Datenbanken abgleichen. Mithilfe von KI kann dies effizienter durchgeführt werden.

Schnellere Auszahlungsempfehlungen. Laut einer Studie von JD Power & Associates zur Zufriedenheit mit Sachschäden sind langsame Bearbeitungszeiten für Schadensfälle einer der größten Faktoren, die zur Unzufriedenheit der Kunden beitragen. KI kann helfen, Bearbeitungszeiten zu verkürzen, indem sie zuerst die Police validiert und dann Entscheidungen über die Ansprüche trifft und entscheidet, ob die Zahlung automatisiert werden soll. Denn KI kann nicht nur strukturierte Daten analysieren, sondern auch unstrukturierte Daten wie handschriftliche Formulare und Zertifikate.

Künstliche Intelligenz im Finanzwesen: Conversational Banking und Kundenservice

Banken machen große Wetten mit ihren kundenorientierten virtuellen Assistenten, die als Chatbots bekannt sind. Während die frühen Versionen von Chatbots nur grundlegende Fragen zu Ausgabenlimits und letzten Transaktionen beantworten können, sollen zukünftige Versionen zu virtuellen Full-Service-Assistenten werden, die Zahlungen leisten und Budgets für Verbraucher verfolgen können. Die Interaktion mit Kunden kann zu erheblichen Kosteneinsparungen führen, aber menschliche Interaktionen sind zweifellos auch komplexer als einfache Zahlenverarbeitung. Kritiker verweisen auf das mangelnde Einfühlungsvermögen und Verständnis von Chatbots, die Menschen bei schwierigen finanziellen Entscheidungen und Situationen benötigen könnten. Für diese Technologie wird die KI-Technologie der natürlichen Sprachverarbeitung für die Verarbeitung und Reaktion auf personalisierte Kundenanliegen und -wünsche unerlässlich sein.

Im Oktober 2016 stellten sowohl die Bank of America als auch MasterCard ihre Chatbots Erica bzw. Kai vor. Diese ermöglichen es Kunden, Fragen zu ihren Konten zu stellen, Transaktionen zu initiieren und sich über den Facebook Messenger von Amazons Echo Tower beraten zu lassen.

Capital One hat auch einen eigenen Chatbot namens „Eno“ gestartet, der ein Anagramm für „One“ ist. Eno ermöglicht es Kunden, mit der Bank in textbasierter Sprache zu chatten, um Rechnungen zu bezahlen und Kontoinformationen abzurufen. Auch Barclays mischt sich ein. Bei der Beschreibung des neuen Chatbots der Bank of America erklärte Michelle Moore, Leiterin des Bereichs Digital Banking bei der Bank of America: „Was wird Banking in zwei, drei oder vier Jahren sein? Das wird es.“

Abschiedsgedanken

Die volle Wirkung der künstlichen Intelligenz bei Finanzdienstleistungen ist abzuwarten. Einige Futuristen haben argumentiert, dass sich die Welt schnell einem Wendepunkt nähert, der als „Singularität“ bezeichnet wird, an dem die maschinelle Intelligenz die menschliche Intelligenz übertreffen wird. Berühmte Technologen und Wissenschaftler, darunter Bill Gates und Stephen Hawking, haben vor diesem Punkt gewarnt. Elon Musk hat auch bekanntlich gemahnt: „KI ist ein grundlegendes existenzielles Risiko für die menschliche Zivilisation, und ich glaube nicht, dass die Menschen das voll und ganz anerkennen.“

Da sich KI weiterhin in unserem Privat- und Berufsleben ausbreitet, werden weiterhin viele Probleme auftauchen. Dazu gehören das Potenzial für Fehler, ein allgemeines Misstrauen gegenüber Maschinen und die Sorge um einen Arbeitsplatzwechsel. Es wäre ein Fehler, diese Ängste zu ignorieren. Dennoch befindet sich die Gesellschaft bereits auf einem beschleunigten Weg in Richtung einer KI-gesteuerten Welt. In dieser neuen Welt könnte es am produktivsten sein, sich darauf zu konzentrieren, wie Maschinen und Menschen am besten koexistieren können. Es wird wichtig sein, dass die politischen Entscheidungsträger vorsichtig bleiben und die Entwicklung neuer Technologien zulassen, während sie ihre negativen Folgen überwachen und minimieren. Entwickler und Designer sollten auch die Fähigkeit von Menschen verbessern, KI-Systeme zu verstehen, um Vertrauen aufzubauen und die Zufriedenheit mit KI-Anwendungen zu steigern. Jeder wird eine Rolle spielen.

Wie Haruhiko Kuroda, Gouverneur der Bank of Japan, auf einer KI- und Finanzdienstleistungskonferenz 2017 sagte: „Es ist wichtig, dass wir konstruktiv wünschenswerte Wege in Betracht ziehen, wie Menschen und KI einander ergänzen, anstatt sich zu konfrontieren. Zum Beispiel ist das menschliche Urteilsvermögen nicht völlig frei von bestehenden Paradigmen und ist daher manchmal nachlässig gegenüber Änderungen. In dieser Hinsicht könnte die KI unsere Voreingenommenheit korrigieren, indem sie eine Vielzahl von [sic] Daten neutral analysiert und neue Korrelationen findet. In der Zwischenzeit könnten Menschen die Schwäche der KI mit ihrer Intuition, ihrem gesunden Menschenverstand und ihrer Vorstellungskraft ausgleichen.“