.svg){kind=logo}
Jährlich wird der Bundeskongress für Credit Manager vom Bundesverband Credit Management e.V. . 2023 stand die Rolle des aktiven Credit Managements zur nachhaltigen Unternehmenssicherung in der Zeitenwende Klima, Konflikte und Kosten im Vordergrund. Zu jedem Bundeskongress wird ein praxisorientiertes Band mit Fachartikeln von etablierten Branchenexperten herausgegeben.
Im Folgenden können Sie den Gastbeitrag zum Thema „KI im Kreditwesen und ob man über KI-basierte Kreditvergabe nachdenken sollte“ von Frederik Koch lesen. Alle weiteren Artikel des Kongressbands empfehlen wir hier über die Online Ausgabe aufzurufen.
KI in unserem Alltag
Computer und deren Technik bestimmen unser Leben. Film und Fernsehen zeigen uns immer wieder auf, dass ihre künstliche Intelligenz uns in naher Zukunft intellektuell überlegen sein könnten. Aber auch die Praxis zeigt, dass es bereits einige Varianten von tatsächlich als intelligent zu bezeichnen Systemen gibt.
Allgemein unterscheidet man zwei verschiedene Formen der künstlichen Intelligenz: schwache und starke künstliche Intelligenz.
Schwache künstliche Intelligenz beschäftigt sich vorwiegend mit konkreten Aufgabenbereichen, wohingegen starke künstliche Intelligenz der menschlichen nachempfunden ist und diese teilweise gar übertreffen soll.
Bei automatisierten Entscheidungsprozessen findet KI lediglich vereinzelt Einsatz. Sie ist auf dem Vormarsch, aber noch sind Entscheidungen basierend auf statischen Modellen die Regel.
Fragt man einen Computer zum Beispiel auf Grundlage des Wetterberichts nach einer Empfehlung bei der Kleiderwahl, so kann er mithilfe von eingegebenen Informationen einen Vorschlag unterbreiten. Gibt man dem Computer die Information, dass bei Außentemperaturen unter 20°C Kleidung mit langen Armen angemessen ist, aber erst unter 15°C eine Jacke benötigt wird, so schlägt er dem Nutzer bei einer Außentemperatur von 16°C beispielsweise einen Pullover vor.
Ein Computer, der mit KI arbeitet, wäre in der Lage aus der zurückliegenden Wahl des Anwenders zu lernen und auch auf Einflüsse zu achten, die nicht eingespeichert wurden. Wählt der Anwender, entgegen der maschinellen Empfehlung, auch bei Temperaturen oberhalb von 20°C häufiger eine Jacke, wenn es regnet, kann er darauf reagieren und auch Farben, Muster und Weiteres nach dem Geschmacksmuster seines Anwenders wählen. (Hinweis: Zur Vereinfachung unterscheidet dieser Text in der Folge zwischen KI und statischen Modellen, obwohl beides in vielen Fällen gemeinsam funktionieren kann.)
In einigen Bereichen des täglichen Lebens findet KI bereits vielseitig Anwendung. In Smartphone-Assistenten, Spracherkennung, Sprachübersetzern, Personalisierung von Social Media- und Suchmaschineninhalten und vielem mehr dürfte sie den meisten Menschen mehrfach täglich begegnen.
KI im Finanzsektor
Konservativer ist jedoch der Finanzsektor aufgestellt. Berichte von Banken oder ähnlichen Instituten, die KI einsetzen, stellen eine Seltenheit dar. In den meisten regionalen Banken hält sie bisher noch keinen Einzug, was zum Teil auch an den immensen Entwicklungskosten liegt, die eine Einführung und ein Einsatz mit sich bringen würden.
Der Blick richtet sich daher auf die großen internationalen Banken, die generell häufig Technologievorreiter sind. Sie können die hohen Investments zur Entwicklung leisten und versprechen sich, dank zahlreicher möglicher Anwendungsmöglichkeiten, langfristigen Profit.
KI ist immer so gut wie die ihr zugrundeliegenden Daten. Ausschließlich die größten Bankhäuser sind überhaupt in der Lage, aus den eigenen Daten eine umfassende Grundlage für eine funktionierende KI zu liefern.
ING als einer der Vorreiter: KI-basierte Kreditvergabe
Eine der Banken, die sich selbst zum Ziel gesetzt hat, die neuesten Technologien zu verwenden und hier Vorreiter der eigenen Branche zu sein, ist die ING (ING-DiBa AG in Deutschland). Sie nutzt nach eigenen Aussagen bereits einige Möglichkeiten künstlicher Intelligenz und sieht sich ständig nach weiteren Anwendungsmöglichkeiten um. Dies betrifft derzeit den Einsatz von KI im Firmenkundengeschäft. Aktuell wird sie ausschließlich im Retail Banking, dem Privatkundengeschäft, verwendet.
Am Einfachsten lässt sich diese Verwendung am Beispiel der Vergabe von Privatkrediten betrachten. Beantragt ein Kunde einen Ratenkredit über die Homepage der ING, so kann die Genehmigung dessen bereits online innerhalb weniger Minuten erfolgen. Die Seite befragt den Nutzer zunächst nach persönlichen Daten sowie der gewünschten Kredithöhe inklusive der gewünschten Laufzeit. Anhand einer einfachen Berechnung lässt sich hier ein Raten- und Tilgungsplan ermitteln. Bis hierhin greift keine KI ein. Daraufhin möchte das System die Vorprüfung starten. Sie stellt die Überprüfung von Eingaben, Korrektheit der Angaben und Ähnlichem dar. An diesem Punkt greift KI zum ersten Mal ein.
Sofern entscheidungsrelevante Unterlagen vorliegen, kann KI diese selbständig sortieren und auslesen. Die Angaben schwanken, aber die Aussagen der ING lassen auf eine Erkennungsquote von über 95% schließen. Eine rechtlich bindende Kreditentscheidung wird dann im Nachgang getroffen.
Neben den Daten, die eingegeben und korrigiert wurden, überprüft die KI die im System gespeicherten Daten des potenziellen Kreditnehmers. Beurteilt werden die Zahlungserfahrung mit dem Kunden, die Bilanz des Girokontos (sofern Einblick vorhanden), sowie die Schufa-Auskunft, welche automatisch im Hintergrund gezogen wird. Auch im Internet verfügbare Informationen aus Suchmaschinen, Straftäterverzeichnissen, Social Media und privaten Plattformen können in diese Beurteilung einbezogen werden. Ob die ING diese Informationen tatsächlich abruft und von der KI beurteilen und in einen kreditvergaberelevanten Bezug bringen lässt, teilt sie nicht mit.
Um einen Score für eine Kreditvergabe zu ermitteln und somit ein Kreditlimit zu errechnen, genügt allerdings ein statisches Modell. KI wird derzeit oftmals bereits an diesen Punkten eingesetzt, um aus den Daten zu lernen, um in Zukunft in weiteren Bereichen eingesetzt zu werden. Die ING selbst gibt an, dass die Anwendung von KI noch in den Kinderschuhen steckt und ausbaufähig ist, sie hier allerdings bereits Erfolge erzielt.
KI-Potenzial im Firmenkundengeschäft und Kreditrisikomanagement
Zwei Geschäftsfelder mit sehr großen Potenzialen lassen sich hier ebenfalls noch erschließen: das Firmenkundengeschäft und das Kreditrisikomanagement. Die Einsatzmöglichkeiten im Firmenkundengeschäft sind zwar vielfältig, ihre Verwendung geht aber aktuell nicht über das Spektrum im Privatkundengeschäft hinaus. In absehbarer Zeit wird sich dies, nach Einschätzung von Banken, auch nicht ändern.
Dagegen sind die Einsatzmöglichkeiten im Kreditrisikomanagement für sämtliche Unternehmen, die Kredite vergeben, bereits sehr groß.
Ziel ist es, jeglichen Kreditentscheidern wie Kreditmanagern, Bankpersonal, Finanzbuchhaltern eine Unterstützung zu liefern. Mithilfe künstlicher Intelligenz können Entscheidungen objektiviert und beschleunigt werden. Zudem können weitere Parameter schneller erfasst und verwertet werden als ein Mensch dies vermag.
Dies betrifft vor allem die Menge an Daten, die ausgewertet werden müssen [10]. Dabei steht nicht im Vordergrund, dass der Computer den Menschen ersetzt. Die tatsächliche Entscheidung obliegt weiterhin menschlicher Intelligenz, weil den aktuellen KI-Technologien die Tragweite von Beschlüssen nicht bewusst ist. Dazu zählen unter anderem Imageschäden, Kundenbindung, Einzelfälle, Expansionsmöglichkeiten in der Zukunft.
KI ist in der Lage, Muster in Zahlungsmoral, Ausfallwahrscheinlichkeit und Ausfallhöhe zu erkennen. Besonders bei mehrfachen Geschäften mit einem Debitoren über einen längeren Zeitraum, mehreren Debitoren einer Branche und bei Zugriff auf Zahlungserfahrungen anderer Kreditoren ist die Prognose der KI zutreffender als die eines Menschen. Bereits 2010 ermittele Amir E. Khandani, im Zuge der überstandenen Wirtschaftskrise, gemeinsam mit Kollegen, dass ein Einsatz von KI zu etwa 23 Prozent weniger Kreditausfälle sorgen kann [11].
KI arbeitet beispielsweise wie folgt:
Unternehmen A ist Debitor, wirtschaftlich gut aufgestellt, in einer stabilen Branche tätig und hat in der Vergangenheit pünktlich bezahlt.
Unternehmen B ist Lieferant von Unternehmen A und hat keine Geschäftsbeziehung zum Kreditor. Es liefert Rohstoffe für Unternehmen A, die unabdingbar für dessen Produktion sind.
Die künstliche Intelligenz wird bei Prüfung des Kreditlimits von Unternehmen A auf möglichst viele Informationen zugreifen und recherchieren, ob es zu dessen Branche und branchennahen Gewerben Neuigkeiten gibt. Sobald sich diese über das Internet finden lassen, reagiert sie auf die Lieferschwierigkeiten von Unternehmen B. Sie wird nun überprüfen, welche Verfügbarkeit, die nicht lieferbaren Rohstoffe bei anderen Lieferanten haben und ob diese ebenfalls von der Knappheit betroffen sind. Das Ergebnis wird sie in das Scoring einfließen lassen und den Score gegebenenfalls nach unten korrigieren.
Ein Mensch wird auf diesen Zusammenhang möglicherweise nicht aufmerksam werden oder ihn nicht in derselben Zeit finden können wie die Maschine. Aufgrund der Hinweise durch die KI kann nun der Kreditverantwortliche selbst beurteilen, ob die aktuelle Produktionseinschränkung für ein geringeres Limit spricht und er der maschinellen Empfehlung folgen oder ob er diese bewusst überstimmt.
Nicht nur aus im Internet veröffentlichten Nachrichten kann künstliche Intelligenz Datenpunkte auslesen, die potentiell Hinweise auf die Ausfallprognose eines Debitoren geben. Ein großer Bereich der Recherche betrifft ebenfalls Social Media. Hier stehen allem voran umfassende Daten von Privatpersonen zur Verfügung. Ausgabeverhalten, Kontakte, Zugehörigkeit zu bestimmten Gruppen, Neigungen und weitere private Informationen werden hier oftmals bereitwillig zur Verfügung gestellt, die teilweise mit Kreditwürdigkeit und Ausfallrisiko in Verbindung gebracht werden können.
Inzwischen sind auch Unternehmen zunehmend präsenter auf Social Media Plattformen. Über deren Aktivitäten können Rückschlüsse aus beispielsweise die Werbewirksamkeit und öffentliche Wahrnehmung getroffen werden. Dies kann ebenfalls die Prognose von KI zu Kreditwürdigkeit beeinflussen.
Gesellschaftliche Akzeptanz von KI-basierter Kreditwürdigkeitsprüfung
Da die Menge verfügbarer Daten sowohl bei natürlichen als auch juristischen Personen wächst, gewinnt dieser Zweig der Informationsbeschaffung zunehmend an Bedeutung. Bereits im Jahr 2012 plante die Schufa eine Überprüfung von Privatpersonen per Facebook, um ihr Scoring um eine weitere Ebene zu ergänzen. Dies wurde wegen zahlreicher Bedenken von Verbraucherschutz, Plattformnutzern und nach dem Druck einiger Nachrichtenmagazine allerdings gestoppt.
Die Social Media Plattform Facebook selbst kommunizierte im Jahr 2015 eine Patentanmeldung, um selbst anhand der Kontakte auf ihrer Seite eine Kreditwürdigkeitsprüfung für private Nutzer durchzuführen. Die Befragungen durch Brenger, Jan Justus et al. ergaben, dass die Nutzer, deren Profile gegebenenfalls ausgewertet werden, diese Aussicht mehrheitlich ablehnten. 23% der Probanden nahmen diese Möglichkeit positiv auf, während sich 77% dagegen aussprachen. Ein ähnliches Bild ergibt sich bei der Frage, ob die Befragten diese Methode für fair hielten. Hier sprachen sich lediglich 24% dafür aus, dass sie das Vorgehen für gerecht hielten, die verbliebenen 76% stellten sich eine ungerechte Vergabe vor.
Ein großes Risiko ergibt sich dadurch, dass sehr viele Nutzer im Wissen der Überprüfung Änderungen an ihrem Profil durchführen würden, was den eigentlichen Zweck der Maßnahme verfehlen würde. So gaben 36% der Befragten an, bestehende Kontakte zu löschen, 40% würden Freundschaftsanfragen weniger spontan versenden und 17% würden hoch bewertete Kontakte anfragen.
Diese und weitere Maßnahmen würden viele Nutzer bei Umsetzung ergreifen, sodass die Ergebnisse ab der Umsetzung nicht mehr unbereinigt sein dürften und der Nutzen hinterfragt werden müsste. Eine lernende KI wird allerdings möglicherweise dazu in der Lage sein, dieses Verhalten ebenfalls zu erkennen. Dies löst jedoch nicht ethische, gesellschaftliche und rechtliche Fragen rund um die Diskussion, inwieweit öffentliche und nichtöffentliche Daten persönlicher Natur ausgewertet und weiterverwendet werden dürfen.
Brenger, Jan Justus et al. kommen somit zu dem Schluss, dass ein Unternehmen nicht Vorreiter dieser Technologie sein sollte, sondern besser abwarten sollte, bis sich dieses Vorgehen in der Gesellschaft etabliert hat. Deutlich höher ist die Akzeptanz jedoch von Unternehmen, die durch weitere Unternehmen überprüft werden, weil diese in anderen Bereichen bereits ähnliche Methoden anwenden.
Schlusswort
Künstliche Intelligenz ist nicht in ihrer Weiterentwicklung aufzuhalten. Das gilt auch für die Kreditvergabe, sowie für Ausfallprognosen. Ihr Einsatz bietet viele Vorteile und wird bei zunehmender Datenmenge unabdingbar sein. Dennoch wird sie das menschliche Urteilsvermögen in absehbarer Zeit nicht ersetzen, sondern ergänzen.
Die große Chance von KI ist die Verarbeitung einer Datenmenge, die die Kapazität menschlicher Intelligenz übersteigt. Dafür sind allerdings die Qualität und Quantität der Trainingsdaten absolut entscheidend. Die Fragen: Welche Daten habe ich? Welche Daten möchte ich verwenden? Kann ich auf externe Daten zugreifen? Wie aktuell sind diese Daten? Kann ich den Daten vertrauen?
Dies sind nur einige Beispiele für Hindernisse, die auf dem Weg bis zur tatsächlichen Anwendung lauern. Nur sehr wenige Unternehmen werden dazu in der Lage sein, glaubwürdige, funktionierende und bezahlbare KI liefern zu können.
Der Fokus liegt in den nächsten Jahren somit auf Big Data Unternehmen wie Amazon, Google, SAP oder IBM. Die Beantwortung der Frage, ob sich ein Unternehmen von Big Data Unternehmen abhängig machen möchte, um die Chance von KI wahrnehmen zu können, obliegt jedem Unternehmen selbst. Ein Missbrauch, zum Beispiel zu Werbezwecken, kann nicht ausgeschlossen werden. Dass ein sehr großes Potenzial in der Entwicklung steckt, bleibt aber unbestritten.
Bei einer Nutzung für private Debitoren bedarf es wachsender Offenheit, um das vollständige Potenzial zu erschließen. Für die Nutzung bei unternehmerischen Debitoren besteht eine hohe Wahrscheinlichkeit, dass bereits heute die Ausfallquote verringert und die Kreditwürdigkeit zuverlässiger eingeschätzt werden kann. Zeitgleich haben Unternehmen durch KI-basierte Prozessautomatisierung mehr freie Ressourcen, die anderweitig genutzt werden können. Somit kann eine Kosten-Nutzen-Analyse mathematisch durchgeführt werden.
quellenverzeichnis
[1] https://mindsquare.de/knowhow/kuenstliche-intelligenz/#starke-und-schwache-ki, abgerufen am 17.08.2023
[2] https://de.statista.com/statistik/daten/studie/1248568/umfrage/ki-anwendung-in-standard-geschaeftsprozessen-nach-branche/, abgerufen am 16.08.2023
[3] Persönliche Erfahrung des Autors aus seinem Berufsleben
[4] Persönliches Gespräch mit Volks- und Raiffeisenbanken sowie Sparkasse über das Jahr 2022 verteilt
[5] https://www.ingwb.com/de/insights/innovation/orange-blog/ki-verandert-das-firmenkundengeschaft, abgerufen am 16.08.2023
[6] https://www.ing.de/kredit/ratenkredit/, abgerufen am 22.08.2023
[7] Persönliches Gespräch mit einem Mitarbeiter der ING-DiBa AG in Hamburg am 16.12.2022
[8] Seite 183ff Konferenzband CARF Luzern 2022 der Hochschule Luzern (angefügt)
[9] Persönliches Gespräch mit einem Mitarbeiter der Commerzbank AG am 21.08.2023
[10] Kreutzer & Sirrenberg S. 241 – 242
[11] https://te.ma/art/zrs80r/khandani-ki-modelle-kreditscoring/, abgerufen am 14.08.2023
[12] Brenger, Jan Justus et al. - Working Paper Social Media und Banken – Die Reaktionen von Facebook-Nutzern auf Kreditanalysen mit Social Media Daten 2017 (angefügt)
[13] https://www.faz.net/aktuell/wirtschaft/pruefung-der-kreditwuerdigkeit-schufa-will-facebook-profile-auswerten-11776537.html, abgerufen am 18.08.2023
[14] https://www.check24.de/kredit/news/kreditwuerdigkeit-facebook-58802/, abgerufen am 18.08.2023
[15] https://www.econstor.eu/handle/10419/261117, abgerufen am 19.08.2023
[16] https://www.vattenfall.de/geschaeftskunden/mittelstand/magazin/das-bedeutet-big-data-fuer-unternehmen#:~:text=Gro%C3%9Fe%20Unternehmen%20wie%20Google%2C%20Facebook,sich%20dahinter%20verbirgt%20genauer%20an., abgerufen am 07.09.2023
Kurzvita
Frederik Koch wurde 1993 geboren und lebt mit seiner Familie im Mittelrheintal in Koblenz. „KI im Kreditwesen und ob man über KI-basierte Kreditvergabe nachdenken sollte“ ist seine dritte Publikation im Finanzwesen. Der gelernte Bankkaufmann war sieben Jahre in verschiedenen Finanzunternehmen mit Fokus auf Baufinanzierung und Digitalisierung des Kreditwesens tätig, bevor er sich 2023 der SOA People Gruppe, ein europaweiter SAP Platinum Partner, anschloss. Hier ist er als Sales Manager für den Bereich Credit Management zuständig.