Vordenker

Wie Banken im Zeitalter des KI-gestützten digitalen Bankings Vertrauen zurückgewinnen können

Corey Gross
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteVertrauen in das Bankwesen hängt heute von Ergebnissen ab und nicht von fehlerfreier…
Mehr anzeigen
  • Vertrauen in das Bankwesen hängt heute von Ergebnissen ab und nicht von fehlerfreier Präzision probabilistischer Systeme.
  • Adaptives Vertrauen kombiniert probabilistische KI mit Guardrail-Feedbackschleifen und menschlichem Urteilsvermögen, wo das Risiko es erfordert.
  • Banken, die definieren, wo KI hingehört, werden Akzeptanz gewinnen, während vage Plattformen vorsichtige institutionelle Käufer verlieren.

Vertrauen war immer die Grundlage des Bankwesens. Aber da künstliche Intelligenz immer mehr in Bankabläufe und Kundenerlebnisse integriert wird, hat sich die Art und Weise, wie Vertrauen entsteht und wie es zusammenbricht, grundlegend geändert.

Über Jahrzehnte hinweg haben Banken und Kreditgenossenschaften Vertrauen durch deterministische Systeme aufgebaut. Wenn ein Kunde einen Scheck einzahlte, erschien das Geld. Wenn er eine Rechnung bezahlte, wurde sie bezahlt. Diese Systeme folgten einer klaren, linearen Logik: Wenn X passiert, dann folgt Y. Zuverlässigkeit und Konsistenz waren das Vertrauenssignal.

KI-gestütztes digitales Banking funktioniert anders. Viele der vielversprechendsten künstlichen Intelligenz-Technologien, insbesondere große Sprachmodelle (LLMs), sind probabilistisch konzipiert. Sie produzieren nicht jedes Mal eine einzige “korrekte” Antwort. Sie produzieren eine Reihe von plausiblen Ergebnissen basierend auf Kontext, Mustern und gelerntem Verhalten. Diese probabilistische Natur ist kein Fehler; sie ist der Grund, warum künstliche Intelligenz in bestimmten Bankprozessen nützlich sein kann. Aber sie bedeutet auch, dass Finanzinstitute künstliche Intelligenz nicht mit dem gleichen Vertrauensrahmen bewerten oder regeln können, den sie für traditionelle Software angewendet haben.

Die Banken und Kreditgenossenschaften, die heute am meisten mit der Implementierung und dem Einsatz von künstlicher Intelligenz zu kämpfen haben, machen oft den gleichen Fehler: Sie erwarten Perfektion, wo sie weder möglich noch notwendig ist. Indem sie dies tun, verwechseln sie Genauigkeit mit Vertrauen. Beides ist nicht das gleiche.

Genauigkeit ist nicht dasselbe wie Vertrauen

Kein Machine-Learning-Modell ist 100% genau. Das ist kein technologischer Engpass, der gelöst werden muss; es ist eine grundlegende Eigenschaft der Art und Weise, wie diese Systeme funktionieren. Künstliche Intelligenz-Modelle lernen auf eine Weise, die dem menschlichen Denken ähnelt: Sie absorbieren Eingaben, wägen Wahrscheinlichkeiten ab und generieren Ausgaben basierend auf Kontext. Ebenso wie Menschen nicht perfekt konsistent in ihren Urteilen sind, sind auch probabilistische Systeme nicht perfekt konsistent.

Wenn Finanzinstitute diese Variabilität als Defekt behandeln, programmieren sie Enttäuschungen vor. Wichtiger noch, sie riskieren es, künstliche Intelligenz auf Probleme anzuwenden, bei denen deterministische Systeme das bessere Werkzeug sind. Wenn das Ziel Präzision, Konsistenz und absolute Korrektheit bei jeder Ausführung ist, bleibt traditionelle Software schneller, günstiger und zuverlässiger.

Vertrauen sollte in einem künstlichen Intelligenz-Kontext stattdessen anhand von Ergebnissen gemessen werden. Hat das Tool dem Benutzer geholfen, die Aufgabe zu erledigen, die er beabsichtigt hat? Hat es Reibung reduziert, Klarheit verbessert oder Entscheidungsfindung beschleunigt? Wenn die Antwort ja ist und der Anwendungsfall angemessen ist, ist Vertrauen etabliert, auch wenn die Ausgabe selbst nicht perfekt präzise ist.

Betrachten Sie einen Kundenbetreuer, der eine sichere Nachricht an einen Kunden verfasst. Ein deterministischer Workflow kann nicht dabei helfen, empathische, kontextbewusste Sprache zu schreiben. Ein LLM kann. Die Ausgabe mag beim ersten Versuch nicht perfekt sein, aber mit menschlicher Überprüfung kann sie zuverlässig ein besseres Ergebnis erzielen als wenn man von vorne beginnt. In diesem Szenario wird der künstlichen Intelligenz vertraut, weil sie das tut, was sie tun soll.

Adaptives Vertrauen in der Praxis

Dabei wird die Idee des adaptiven Vertrauens essentiell. Adaptives Vertrauen erkennt an, dass nicht alle Interaktionen das gleiche Maß an Sicherheit, Überwachung oder Kontrolle erfordern. Anstatt universell starre Regeln anzuwenden, passen adaptive Vertrauensrahmen sich an Kontext, Risiko und Absicht an.

In praktischer Hinsicht bedeutet adaptives Vertrauen, probabilistische künstliche Intelligenz-Systeme mit klaren Schutzmechanismen und Feedback-Schleifen zu paaren. Eingaben werden auf relevante Bereiche eingeschränkt. Ausgaben werden durch Richtlinien, rollenbasierte Berechtigungen und historische Nutzungsmuster geformt. Am wichtigsten ist, dass Menschen dort in den Prozess eingebunden bleiben, wo Urteilsvermögen zählt.

Beispielsweise kann ein künstlicher Intelligenz-Assistent, der von Bank- oder Kreditgenossenschafts-Mitarbeitern verwendet wird, häufige Prompts basierend auf beobachtetem Verhalten anzeigen: kürzliche Transaktionen, fehlgeschlagene Anmeldeversuche oder Änderungen an Kontoinformationen. Im Laufe der Zeit lernt das System, welche Fragen in bestimmten Kontexten am relevantesten sind, und passt sich entsprechend an. Irrelevante oder unsichere Prompts werden ignoriert. Hochrisikohandlungen erfordern explizite Bestätigung. Informationsanfragen mit geringerem Risiko werden automatisch bearbeitet.

Vertrauen ist in diesem Modell nicht statisch. Es wird kontinuierlich durch Transparenz, Konsistenz und Wiederherstellbarkeit verstärkt. Benutzer können sehen, woher die Informationen stammen. Sie können Ausgaben zurückverfolgen zu Quellsystemen. Und wenn etwas nicht stimmt, können sie eingreifen, korrigieren oder rückgängig machen.

Was künstliche Intelligenz in der Bankenbranche vertrauenswürdig macht

Künstliche Intelligenz wird in der Bankenbranche vertrauenswürdig, wenn das richtige Werkzeug für die richtige Aufgabe eingesetzt wird und wenn seine Rolle sowohl von der Institution als auch vom Benutzer klar verstanden wird.

Probabilistische Werkzeuge sollten für probabilistische Ergebnisse eingesetzt werden: Zusammenfassung, Orientierung, Entwurfserstellung, Erkundung und Mustererkennung. Deterministische Werkzeuge sollten weiterhin Aufgaben übernehmen, die Präzision erfordern, wie Transaktionsverarbeitung, Kontostände und Zahlungen. Probleme entstehen, wenn diese Grenzen verschwimmen.

Transparenz ist ein kritischer Vertrauenshebel. Wenn künstliche Intelligenz-Systeme ihre Quellen nennen, ihre Arbeit zeigen oder klar zwischen dem Abruf von Fakten und subjektiver Orientierung unterscheiden, lernen Benutzer, wie sie angemessen damit umgehen. Im Laufe der Zeit entsteht so ein informiertes Vertrauen anstelle von blindem Vertrauen.

Ebenso wichtig ist die Wiederherstellbarkeit. Vertrauen bricht schnell zusammen, wenn Benutzer keine Aktionen überprüfen oder rückgängig machen können. Systeme, die Benutzern ermöglichen, Ausgaben zu überprüfen, Referenzen zu überprüfen oder auf traditionelle Workflows zurückzugreifen, erhalten das Vertrauen auch dann, wenn künstliche Intelligenz involviert ist.

Warum Vertrauen 2026 der wahre Differenzierer sein wird

2026 werden künstliche Intelligenz-Fähigkeiten selbst nicht mehr ein bedeutender Differenzierer sein. Die meisten Finanzinstitute werden Zugang zu ähnlichen Modellen, Werkzeugen und Infrastrukturen haben. Was die Vorreiter von den Nachzüglern unterscheiden wird, ist, wie effektiv sie diese Werkzeuge im Einklang mit den Erwartungen der Kunden einsetzen.

Kunden und Mitglieder kommen nicht zu ihrer Finanzinstitution, um Unsicherheit zu suchen. Sie erwarten Determinismus, wo es am wichtigsten ist: Einzahlungen, Zahlungen, Überweisungen und Kontostände. Künstliche Intelligenz-Systeme, die Unsicherheit in diese Workflows einführen, werden Schwierigkeiten haben, Akzeptanz zu erlangen, unabhängig davon, wie beeindruckend die Demonstration ist.

Andererseits werden Banken und Kreditgenossenschaften, die klar definieren, wo künstliche Intelligenz Mehrwert schafft – und wo nicht – schneller Akzeptanz und tieferes Vertrauen erlangen. Diese Institutionen werden der Versuchung widerstehen, auffällige KI-Erlebnisse ohne angemessene Steuerung zu präsentieren, und stattdessen Lösungen bevorzugen, die Ergebnisse unauffällig verbessern.

Dasselbe Prinzip gilt für Käufer. Finanzinstitute werden zunehmend vorsichtig gegenüber künstlichen Intelligenz-Lösungen, die beeindruckend aussehen, aber nicht sauber auf reale betriebliche Bedürfnisse abgebildet werden können. Anbieter, die nachweislich sorgfältige Anwendungsfall-Abstimmung, Schutzmechanismen und Governance demonstrieren können, werden besser abschneiden als diejenigen, die breite, undefinierte “künstliche Intelligenz-Plattformen” verkaufen.

Vertrauen ist anwendungsspezifisch

Letztendlich ist Vertrauen nicht absolut. Es ist kontextuell. Wir vertrauen Werkzeugen, die zuverlässig die Aufgabe erledigen, für die sie konzipiert wurden. Wir verlieren Vertrauen, wenn sie bei dieser einen Aufgabe versagen, auch wenn sie fortschrittlich oder innovativ sind.

Das Vertrauen in künstliche Intelligenz lässt sich nicht mit denselben Kennzahlen bewerten, die für deterministische Systeme gelten. Die Messung probabilistischer Werkzeuge allein anhand von Präzision ist der falsche KPI. Stattdessen müssen Banken und Kreditgenossenschaften künstliche Intelligenz anhand von Effektivität, Transparenz und Benutzerkontrolle in klar definierten Anwendungsfällen bewerten.

Wenn Finanzinstitute diese Unterscheidung annehmen, hört Vertrauen auf, ein Hindernis für die künstliche Intelligenz-Adoption zu sein, und wird zu einem Designprinzip. Adaptive Vertrauensrahmen ermöglichen es Institutionen, schneller voranzukommen, ohne Vertrauen zu opfern, und künstliche Intelligenz auf eine Weise einzusetzen, die die Beziehung zu ihren Kunden stärkt, anstatt sie zu untergraben.

Im Zeitalter des KI-gestützten digitalen Bankings erfordert das Rückgewinnen von Vertrauen nicht Perfektion. Es erfordert Klarheit, Disziplin und die Bescheidenheit, jedes Werkzeug nur dort einzusetzen, wo es wirklich dazugehört.

Corey Gross ist Vizepräsident und Leiter für Daten und künstliche Intelligenz bei Q2, einem Anbieter von digitalen Transformationslösungen für Finanzdienstleistungen. Er betreibt das Portfolio von datenzentrierten Lösungen des Unternehmens, einschließlich Q2 SMART, Q2 Discover und Andi, und leitet die Entwicklung von Fähigkeiten, die künstliche Intelligenz nutzen.