FiDA und Co.: Lohnt sich der Einsatz von KI überhaupt und wenn ja, unter welchen Bedingungen?

KI und Regulatorik ist so eine Sache. Und die Finanzbranche wird besonders von Regularien und Auflagen wie DORA, FiDA und dem EU AI Act geknechtet. Bei vielen Akteuren stellt sich deshalb die Frage: Lohnt sich der Einsatz von KI überhaupt und wenn ja, unter welchen Bedingungen?

von Prof. Dr. Heiko Beier, Moresophy

FiDA (Financial Data Access) ist eine EU-Verordnung, die den Zugang zu Finanzdaten und deren Austausch zwischen verschiedenen Finanzdienstleistern vereinheitlichen und erleichtern soll. Im Moment befindet sich FiDA in der Trilog-Phase. Ende des Jahres könnte die Verordnung dann in Kraft treten. Die Verordnung stellt hohe Anforderungen an Datenschutz, Sicherheit und Governance. Hinzu kommen die regulatorischen Auflagen der DSGVO und von DORA. Der EU AI Act stuft KI-Systeme im Finanzsektor häufig als “High Risk” ein, was bedeutet, dass hohe Anforderungen an das Monitoring, Testing und die Dokumentation bestehen. Fehlt die Transparenz und damit die Erklärbarkeit, können Aufsichtsbehörden den Einsatz dieser Systeme auch ganz verbieten.

Das Sammeln, Speichern, Verarbeiten und Teilen von Daten erfordert deshalb eine kritische Prüfung.“

Gleichzeitig nimmt die Nutzung von KI-Anwendungen in der Finanzbranche zu. Seit dem Aufkommen generativer Modelle erfolgt der Einsatz jedoch mehr nach dem Gießkannenprinzip. Überall ein bisschen KI, aber ohne klare Strategie. Generative KI galt lange als Allheilmittel. In der Praxis ist der Einsatz allerdings teuer, intransparent und geprägt von Halluzinationen und nicht reproduzierbaren Ergebnissen. Hinzu kommt, dass in vielen Unternehmen historisch gewachsene Kernsysteme laufen. KI-Lösungen müssen damit kompatibel sein, um den Geschäftsbetrieb nicht zu gefährden.

Da die Finanzbranche zudem personenbezogene, sicherheitsrelevante und kritische Daten verarbeitet, ist eine strenge Rollenverteilung auch in Bezug auf KI wichtig, um diese Daten zu schützen.“

Nur wer die nötigen Berechtigungen besitzt, darf auf diese Daten zugreifen. KI-Systeme müssen diese Rollenverteilung abbilden und umsetzen können. Im Hinblick auf die zunehmend strenge Regulatorik in der EU müssen Unternehmen ihren KI-Einsatz überdenken: Welche Modelle setze ich wofür ein, wo liegen die größten Chancen, und wie stelle ich sicher, dass die Daten meiner Kunden trotzdem geschützt bleiben und nicht zu Trainingszwecken aus dem Unternehmen abgeschöpft werden?

Das Problem mit dem LLM-only-Ansatz

Diese Fragen lassen sich nur individuell beantworten. Eine KI-Lösung im Finanzsektor muss jedoch vor allem vertrauenswürdig, regelkonform, sicher und transparent sein – und gleichzeitig in hochkritischen Umgebungen stabil und schnell laufen. Wenn sie dann auch noch von einem europäischen oder sogar deutschen Unternehmen kommt und konform mit den hiesigen Datenschutzvorschriften ist, haben Unternehmen den heiligen Gral der KI gefunden.

In der Praxis sind es besonders hybride KI-Modelle, die diesen Anforderungen gerecht werden.“

Dabei kombinieren Anbieter analytische KI und generative KI (LLM) in einer hybriden Architektur. Die analytische Komponente ist dafür verantwortlich, strukturierte und unstrukturierte Unternehmensdaten aufzuarbeiten, zu klassifizieren, zu vereinheitlichen und auf diese Weise hochqualitative Daten bereitzustellen. Diese Daten lassen sich dann gezielt als Kontext in ein LLM einspeisen.

Prompten will gelernt sein

Mittlerweile ist allen klar, dass KI nur mit fundierten Kontextinformationen gute Ergebnisse liefert. Diese Informationen müssen in Form von Prompts in das LLM eingespeist werden. Doch Prompten will gelernt sein. Nutzer müssen sich dabei klar ausdrücken, Fachwissen mitbringen, den Kontext kennen und wissen, wie sie diesen erfolgreich in einen Prompt übersetzen.

Hybride KI automatisiert diesen Prozess. Das System nimmt Anfragen in natürlicher Sprache entgegen und bestimmt darauf basierend die erforderlichen Datendomänen für die Beantwortung.“

Anschließend selektiert es gezielt unter den bereits strukturierten Daten und lädt entsprechend nur die relevanten Felder und Dokumente.
Dann startet die KI mit der analytischen Verarbeitung, bei der mittels Aggregation über alle Daten wichtige Kennzahlen berechnet, Muster erkannt und Entitäten verknüpft werden, um präzise, quantitative Informationen zu erhalten. Auf Basis dieser Analyse generiert das Auto-Prompting-Modul des hybriden Systems einen Prompt, der dem generativen Modell einen gesicherten Kontext zur Verfügung stellt.
Das LLM erstellt daraufhin eine verständliche und begründete Antwort, die je nach Fragestellung und Aufgabe Zahlen, Grafikhinweise, Bewertungen und Empfehlungen enthält. Nutzer erhalten zusätzlich Verweise auf die verwendeten Datensätze und Dokumente, damit alle Ergebnisse vollständig nachvollziehbar und prüfbar sind. Da die KI nur auf unternehmensinterne Daten zurückgreift, halluziniert sie nicht. Die Ergebnisse sind deshalb nicht nur faktisch korrekt, relevant und fundiert. Sie sind auch belegbar, Audit-fähig und validierbar und kommen so den strengen Anforderungen im Finanzsektor nach.

Die LLMs agieren hier nämlich nicht autonom, sondern innerhalb klarer Daten- und Kontextgrenzen.“

Sie werden präzise und kontrolliert eingesetzt und generieren ihre Antworten basierend auf Daten des Unternehmens („Datengrounding”) und optimiert auf die Besonderheiten der eigenen Daten ohne komplexe Trainingsprozesse.

Den Kostenfaktor im Blick

Der hybride Ansatz hat zudem einen weiteren Vorteil: die Kosten bleiben überschaubar. Herkömmliche IT-Projekte sind oft mit hohen Anfangsinvestitionen verbunden, die sich dann aber mit der Zeit amortisieren, weil sie weniger laufende Kosten verursachen.
Bei KI-Projekten sieht diese Kostenverteilung allerdings oft anders aus. LLMs sind sehr rechenintensiv und bedürfen regelmäßiger Updates, was bedeutet, dass Kosten immer wieder auftreten. Zudem wird KI nach der Integration oft wiederholt für alles genutzt, anstatt zu Beginn Zeit zu investieren und die Datenquellen aufzubereiten und zu qualifizieren. Die Vergütung bzw. Amortisierung ist jedoch stark von der Nutzung abhängig. So entwickeln sich KI-Projekte schnell zur Kostenfalle, aus der Unternehmen dann nicht mehr herauskommen.

Hybride KI hingegen füttert das LLM nur mit relevanten Daten für die jeweilige Anfrage.“

Durch die Vorqualifizierung der Daten bleibt der Rechenaufwand gering, was sich wiederum positiv auf Kosten, Ressourcen und Energieverbrauch auswirkt. Zum Beispiel ist hybride KI im Vergleich zu klassischer LLM-Nutzung bis zu 80-mal effizienter.

Augen auf bei der Auswahl

Es gibt also durchaus Lösungen, die sich auch in der stark regulierten Finanzbranche ohne Bedenken und regelkonform einsetzen lassen. Unternehmen sollten deshalb schon bei der Auswahl des Anbieters, des Tools und des Modells darauf achten, dass Datenschutzrichtlinien und Compliance-Anforderungen eingehalten werden und die Lösung nachhaltig bezahlbar bleibt. KI-Lösungen müssen in der Lage sein, flexibel auf wachsende Datenmengen und steigende Regulatorikanforderungen reagieren zu können. Wer intelligent wählt, kann KI in nahezu allen Unternehmensbereichen einsetzen und kratzt damit nicht nur an der Oberfläche der Möglichkeiten, sondern generiert echten Mehrwert für Kunden und Nutzer. Prof. Dr. Heiko Beier, Moresophy