Udo: 0:10

Herzlich Willkommen zu Coffee, Code & Consult, dem Finanztech-Podcast der Cofinpro AG. Heute wollen wir uns ganz gerne anschauen KI im Kreditgeschäft und dazu ist bei mir heute der Sven. Hi. Und Sven wird mit mir über die Studie in diesem Bereich sprechen, die wir jetzt gerade vor ein paar Wochen veröffentlicht haben. Sven, magst du dich kurz vorstellen?

Sven: 0:36

Sehr gerne. Ich bin Sven Dost, bin Senior Manager bei uns in der Cofinpro. Ich bin verantwortlich hier bei uns für das Kreditgeschäft. Das heißt, ich schaue mit meinem Team regelmäßig, was gibt es für Trends aktuell im Kreditgeschäft, was ist der Need oder der Bedarf bei unseren Kunden, wozu benötigen sie unsere Expertise. Und am Ende des Tages bin ich dann dafür verantwortlich was wir eigentlich ins Schaufenster hängen, was unsere tatsächliche Beratungsleistung ist. Genau, und das erarbeiten wir regelmäßig und nehmen uns deswegen auch solchen Trendthemen natürlich an, wie dem Thema KI, deswegen haben wir da auch Berührungspunkte und gucken natürlich auch dort, wo ist der Bedarf bei unseren Kunden, was genau möchten die dort an Beratungsunterstützung haben von uns und wie passt das eigentlich in das Kreditgeschäft hinein.

Udo: 1:24

Wunderbar, und was ihr da rausgefunden habt, das wollen wir uns heute mal ein bisschen genauer anschauen und dann können wir in Folge starten. Es gab sicherlich einen guten Anlass für die Studie. Darf fragen, was hat euch dazu veranlasst die Online-Befragung zu machen und wie viel Resonanz gab es da?

Sven: 1:42

Es gab am Ende des Tages ein Schlüsselereignis. Wir waren auf einer Messe im November Und wie es mittlerweile in jeden Fachbereichen ist, hat natürlich da KI als ganz, ganz großes Thema Einzug gehalten und es wurde sehr viel referiert darüber. Wir haben aber auch gemerkt in den verschiedenen Interviews oder Podiumsdiskussionen, dass es durchaus sehr unterschiedlich im Wissensstand gehandhabt worden ist. Wie man den KI-Einsatz tatsächlich im eigenen Hause, im eigenen Kreditinstitut einsetzt. Und wir haben auch gesehen, dass durchaus vor dieser blumigen Wolke KI, vorneweg, manchmal so ein bisschen die Substanz gefehlt hat. Und für uns hat wirklich interessiert okay, wie weit ist denn tatsächlich der Markt wirklich? Und nicht nur so, wie wir alle sagen. Und genau das war der Anlass dafür, diese Online-Befragung bzw. die Studie zu starten und herauszufinden Ihr kommt und sagt uns doch mal ganz ehrlich, wie weit seid ihr wirklich? Das muss natürlich ein bisschen auch geschickt in Fragen verpacken, dass natürlich auch dann an diesen Kern dieses Ergebnisses kommen. Wir haben uns aber auch ganz gezielt an der Stelle dann auf diejenigen, die vermeintlich strategisch entscheiden, wie es im Kreditgeschäft läuft, fokussiert um dort auch einen Einblick zu bekommen auf die Führungsebenen in den jeweiligen Banken und haben uns dort gezielt auf Abteilungs und Bereichsleitungen fokussiert, respektive auch. Auf Projektleiter, die in diesen Umfeldern unterwegs sind, um genau das herauszufinden. Und deswegen sind es dann auch am Ende des Tages nicht 2.000, 3.000, 4.000 Befragte geworden, sondern im Kern der Sache sind es dann 109 gewesen, aber eben aus diesen Entscheidungsebenen um genau auf diesen Kern zu kommen. So, liebe Banken in Deutschland, wie weit seid ihr wirklich mit KI?

Udo: 3:32

Also genau die Leute gefragt, die letztendlich solche Sachen dann auch vorantreiben würden. Ja, das gibt natürlich dann auch ein klares Bild. Was sind denn die hauptsächlichen Herausforderungen in dem Bereich KI im Kreditgeschäft, wo kann man denn da ansetzen?

Sven: 3:49

Es gibt vielerlei Einsätze tatsächlich. Wenn wir jetzt direkt auf die Herausforderungen gehen, da ist es schon so, dass gerade das Thema, was habe ich eigentlich für Daten, Welche kann ich dafür verwenden für meinen Use-Case, wie komme ich überhaupt zu dem richtigen Use-Case, den ich mal verproben kann, wie weit ist die Technologie, wie kann ich die für meinen Use-Case eigentlich verwenden. Es gibt ja auch nicht nur die eine KI-Logik die es gibt oder Technologie, sondern es gibt Das heißt, da fehlt ganz, ganz stark auch das Know-how zu diesem Thema, gerade in den Banken. Die probieren das gerade aufzubauen und da haben wir schon gemerkt, das sind die höchsten Potenziale. Das heißt, einmal in diesem Aufsatz, wie komme ich eigentlich dahin den richtigen Case zu finden? Wie lasse ich meinen Trichter zulaufen von, ich habe unglaublich viele Ideen was ich machen könnte, zu, was ist jetzt mal der erste Use Case, den ich verprobe, möglichst günstig auch verprobe um einfach so ein bisschen Erfahrung zu sammeln mit der Technologie an sich und wie das in meinem Hause eigentlich implementiert werden könnte. Aber auch dann, da kommen wir ganz, ganz stark dazu, gerade im Kreditbereich, wo ich ja unglaublich viele Daten habe. Man sagt ja nicht umsonst, der Kunde muss sich ausziehen vor der Bank, wenn er einen Kredit möchte. Und genau das ist ja auch das Asset was wir da haben. Wir haben unglaublich viele Daten, aber dann geht es auch direkt schon dahin, okay, wie kann ich die jetzt eigentlich verwenden? Das sind so die beiden Kernpunkte die wir auch in der Studie herausgefunden haben, die So ein bisschen blockieren dahin wenngleich wir auch gesehen haben, dass ein unglaublich großer Fokus auf dem Thema bei den Banken liegt und die unglaublich gerne auch möchten. Sie wollen, dass diese Technologie ihnen hilft, ihre Prozesse verbessert, sie Effizienzgewinne haben. Das Bedürfnis ist schon sehr, sehr groß.

Udo: 5:44

Daten gibt es ganz viele. Aber natürlich, wenn man jetzt ein Modell trainieren möchte, dann braucht man die Daten in einer ganz bestimmten Struktur und auch in einer ganz bestimmten Form. Das muss man sich auch vorher gut überlegen. Ich nehme an, da ist auch eine der großen Herausforderungen, diese Daten strukturiert irgendwie verfügbar zu machen. Wahrscheinlich müssen die auch transformiert werden. Damit man sie wirklich dann auch nutzen kann und ich meine gerade Daten, die dann vielleicht in Dokumentform oder sowas vorliegen die müssen ja dann auch erst noch erschlossen werden. Interessant fand ich, dass die Banken selbst als Handlungsfelder gesehen haben, das fehlende Know-how Ganz oben an der Stelle und nicht unbedingt die Datenqualität, aber ich glaube, da gibt es einen gewissen Gap an der Stelle.

Sven: 6:31

Ja, teils teils. Also klar, Know-how ist ein Riesenthema und das ist auch, wenn wir gerade in Gesprächen sind mit den verschiedenen Instituten oder auch dort in Projekte reinkommen, Sehen wir ganz oft, dass die gerade probieren dieses Know-how, dieses technologische Know-how dann auch für diese Thematik aufzubauen, aber auch auf der Fachebene aufzubauen, okay, was bedeutet das eigentlich, wenn ich da Umsetzungscases habe, wie muss ein Prompt eigentlich aussehen dass es gut funktioniert und Ähnliches. Da muss ich ja auch die Fachseite mitnehmen und dann auch diese Abschätzung treffen zu können, was lohnt sich, was lohnt sich nicht. Und das ist auch ein ganzes Stück Know-how, was da fehlt und das ist auch, was wir sehen. Auf der anderen Seite ist aber auch eben genau dieses Thema, was du gerade angesprochen hast. Welche Daten kann ich eigentlich verwenden? Wo liegen die? Wie kriege ich die überhaupt verfügbar? Also auch dieses Thema, was liegt mir jetzt beleghaft vor? Was habe ich vielleicht als Scan in einer Kreditakte drin? Und was habe ich tatsächlich als Datenbankhaushalt was ich eins zu eins weiterverwenden kann? Aber auch, in welchen Datenhaushalten liegen diese Daten eigentlich? Sind das Silos, die getrennt sind voneinander? Ist das ein großer Datenlake, den ich habe? Das sind alles Themen, die natürlich von Haus zu Haus Sehr unterschiedlich sind, zum Teil auch von Abteilung zur Abteilung sehr unterschiedlich sind. Was ja auch daran liegt, der Kreditbereich ist ja historisch gewachsen, sehr groß gewachsen, sehr umfangreich gewachsen. Die Anforderungen haben sich geändert an die Daten, die dort erhoben werden müssen und so sieht man auch, dass es durchaus ein gewisses Stückwerk gibt in den jeweiligen Instituten, was irgendwo erstmal harmonisiert werden muss und wo ich mir Gedanken dazu machen muss, okay, Wie komme ich da jetzt eigentlich dran, sodass mein KI-System, was ich aufsetzen möchte, über diese Daten überhaupt verfügen kann?

Udo: 8:19

Ja, da habe ich jetzt in der Studie gesehen, in der Eigenwahrnehmung der Banken sind die Privatbanken da doch ein Stück weit weiter als die Sparkassen und Genossenschaftsbanken. Ich gehe davon aus, dass das auch gerade da eine größere Herausforderung auch ist, weil die, sage ich mal, großen Privatbanken ja wahrscheinlich eher zentralisierte Datenspeicher verwenden und die Sparkassen und die Genossenschaftsbanken, Sind eben doch noch relativ zersplittert in der Hinsicht was die Datenlage angeht.

Sven: 8:52

Ja, wobei man da ein bisschen differenzieren muss. Also der erste interessante Aspekt ist, ja, vermeintlich ist es so dass tatsächlich die Privatbanken in den Cases die schon umgesetzt sind, also die jetzt so in Umsetzung und gerade im Testing sind, also kurz vor Go-Live sind, Ein ganzes Stück weiter sind als die Genossenschaftsbanken. Wir reden auch hier so 60% vs. 30% round about die Differenz. Spannend ist dabei, dass die Wahrnehmung in den Sparkasseninstituten und in den Genossenschaftsbanken noch eine andere ist. Sie glauben, dass sie eigentlich vor der Welle sind. Also 63% der Genossenschaftsbanken sagen ja, wir glauben, wir sind vor der Welle und wir sind vorne mit dabei. Und die sagen auch, das KI-Thema ist für uns unglaublich im Wettbewerb hat eine enorme Relevanz für uns, wir müssen da dranbleiben weil sonst verlieren wir den Anschluss. Wenn man dann aber vergleicht den Anteil der umgesetzten Cases, da ist es dann schon so, dass tatsächlich das kippt zu den Privatinstituten, die da deutlich weiter sind und vermeintlich auch schon verschiedene Mechanismen geschaffen haben, um überhaupt, Projekthaft oder elettmäßig da an dieses Thema heranzugehen und da vermeinte ich dann die Nase vorne haben. Und wir sehen ja auch, gerade dieses ganze technische Thema in den Instituten wie in den Sparkasseninstituten oder in den Genossenschaftsbanken ist ja zentral organisiert und da ist natürlich das Thema, da sind diese Institute natürlich ein Stück weit auch davon abhängig Wie schnell dort denen zugearbeitet wird, sodass sie das übernehmen können für ihre jeweilige Bank und dann weiterverwenden können. Das heißt, sie gehen ja auch von unterschiedlichen Voraussetzungen aus. Wenn ich jetzt heute in eine Privatbank reingucke, wo das in einem Normalfall zentralisiert ist, dieses ganze Thema, und dann für alle Filialen ausgerollt wird, ist das noch ein anderes Thema, als wenn ich einen Techniklieferanten sozusagen für mich habe, der in meinem Verband arbeitet und da mir alles bereitstellt.

Udo: 10:55

Ja, klar, macht Sinn. Ja, was ich auch gesehen habe und das zählte ja auch zu den Herausforderungen, die die Banken selbst gesehen haben, also neben dem fehlenden Know-how teilweise unklaren Zuständigkeiten fehlenden Budgets, gab es eben auch ganz klar die fehlende Strategie. Und das fand ich sehr spannend, dass es da eine gewisse Korrelation gab zwischen... Wie sehr sehen wir uns sozusagen vorne oder wie wichtig ist das Thema für uns, wo stehen wir da selbst und haben wir eine klare übergeordnete KI-Strategie auf dem feld?

Sven: 11:32

Genau, das ist der Punkt. Also wir sehen in den Häusern, die ganz klar dieses Thema für sich strategisch eingegossen haben und sagen, jawohl wir wissen, was unser Fahrplan ist, den verfolgen wir auch stringent, ist ja auch in der Natur der Sache. Da klappt es augenscheinlich, so zumindest auch die Wahrnehmung und wir sehen auch, dass bei den Instituten die sogar dem Kreditgeschäft bzw. dem Thema KI im Kreditgeschäft übergeordnet eine höhere Priorität beimessen, dass auch da viel, viel mehr, ich hätte es beinahe gesagt, Dampf auf dem Kessel ist, diese Themen voranzutreiben und an den Markt zu bringen, weil sie da glauben, auch wirklich diese Potenziale heben zu können und sehr hohe Effizienz zu Themen haben, die sie heben können. Was ja auch unbestritten ist, wenn man sich das anschaut prozessual, was es dort für Themen gibt, die auch immer noch regulatorisch erforderlich sind, die sehr viel manuelle Arbeit erfordern die ohne die KI-Technologie an die Grenzen stoßen der Automatisierung. Da gibt es verschiedene Beispiele. Da ist schon noch viel Potenzial, das zu optimieren und zu Zu verstetigen und da auch dann wirklich die Effizienz zu heben. Ganz einfach, ganz simples Beispiel, schauen wir in der Baufinanzierung, in die Gutachtenerstellung rein oder in die Beleihungsmitermittlung rein, das ist heute natürlich ab dem Punkt, wo das erfasst ist im System, ein automatisierter Prozess wo ich vielleicht die eine oder andere Schnittstelle anbinde, aber allein der Vorgang Einen Grundbuchauszug auszulesen der zum Teil auch Hardcopies sind, die ich bekomme die wirklich bildhaft von dem Grundbuch abfotografiert sind, den auszulesen zu interpretieren, zu verstehen, wo sind die Vorlasten die ich habe in Abteilungen 2 und 3, welches Flurstück betrifft das eigentlich. Das sind ja selbst für Fachexperten, die dort als Die Kreditbearbeiter oder Kreditentscheider dort sitzen, nicht immer einfache Prozesse, wo ich mir das dann anschauen muss und Ableitungen treffen muss auch leicht mal was übersehe, da habe ich jetzt erst die Technologie dann dafür mit KI, wo ich sowas interpretieren kann. Und man kann sich jetzt heute vorstellen, ich mache ein Beispiel, wenn ich heute ein Gutachten erstelle, was oft auch entweder ganz Abteilungen machen und muss nur die Ableitung treffen, wie viele Geschosse hat denn jetzt das Haus. Wenn ich heute eine vernünftige Technologie habe, mit der ich das vom Bild aus ablesen kann, wie viele Stockwerke dieses Objekt hat, dann spare ich mir schon sehr viel Arbeit, allein an diesem Beispiel und wenn ich auf das ganze Gutachten berücksichtige und ich habe dann auch noch die eine oder andere Schnittstelle angebunden für die Ermittlung des Belagungswertes oder des Bodenwertes den ich dort ermitteln möchte, bin ich vermeintlich in... Und diesen Aufwand den ich damit betreibe, wirklich in einem Bruchteil von dem, was ich mit der Manpower aufwende, um dieses Gutachten zu erstellen. Die

Udo: 14:42

KI soll ja in der Regel eher als Assistenz fungieren. Es gibt ja wahrscheinlich wenig Banken die sagen, wir wollen das jetzt voll automatisieren. Aber das ist eben auch das, was man sich verspricht, die Effizienz gewinnen. Dass eben der Berater bei der Bank eben nicht alles von Hand machen muss, sondern dass er eben einfach nur noch die Ergebnisse sich anschauen und die KI sozusagen kontrollieren muss in dem, was sie getan hat und dann entscheiden muss, okay, das passt alles zusammen und so kann man das entsprechend auch in einen Kredit überführen. Die Anwendungsfälle, die wir sozusagen, beziehungsweise die die Banken auch sehen, Da fand ich auch sehr spannend, wenn man schaut, von den vielen Anwendungsfällen, die es potenziell jetzt gäbe, Dokumentenprüfung, Umsatzdatenanalyse, Risikocontrolling, Forderungsmanagement, Auszahlung, da gibt es ja eine Menge wirklich Sachen, die man KI-gestützt machen könnte, wo aber die Banken letztlich dann tatsächlich große Potenziale sehen und Auch den meisten Gewinn für sich, war jetzt tatsächlich gar nicht nach außen hin so sehr, sondern eher nach innen hin, die verbesserten Prozesse und eben der Effizienzgewinn.

Sven: 15:58

Ja, das muss man auch mal so das Verhältnis von dem sehen, von Aufwand nutzen. Ich denke, wenn wir jetzt auf diese Themen drauf schauen, eine Umsatzdatenanalyse kann auch nach außen wirken, weil wenn ich heute als Kunde Nehmen wir mal als zielbild ich möchte meinen kunden anbieten dass ich fall abschließend eine baufinanzierung online beantragen kann dann brauche ich ja für die bonitätsbetrachtung alleine schon eine analyse der einnahmen und ausgaben das kann ich entweder den kunden erfassen lassen und glauben oder nicht glauben Oder ich habe einen Zugriff auf sein Konto, was ja absolut möglich ist mit den Rahmenbedingungen, die wir heutzutage haben. Und da habe ich dann die Möglichkeit, ich kann die Umsatzdaten auf der einen Seite importieren, ich kann auf der anderen Seite sie dann, entweder habe ich dazu schon Möglichkeiten oder nutze dann die neue Technologie, bewerten lassen, um welche Umsätze handelt es sich und kann sie dann harmonisieren und standardisieren Und kann sie dann damit in meinen bestehenden Prozess integrieren diese Daten, vollautomatisiert und bin da sehr prozesssicher. Das gibt es auch heute schon ohne KI teilweise. Mit KI macht mir das Leben, die Interpretation dieser Umsätze etwas das Leben leichter, als die Aufwände die ich dafür vorher gehen musste, definitiv. Aber am Ende des Tages hat dann der Kunde dann dafür den Benefit er muss das A nicht manuell erfassen, er muss nur den Kontozugriff zulassen Das Ding wird vollautomatisch ausgelesen, ich bekomme sofort mein Analyseergebnis und habe dann auch gegebenenfalls die Chance, tatsächlich vorne schon in meinem Frontend die ganzen Backend-Prozesse, das heißt alles, was ich hinten berechnen muss, da schon zu machen und dem Kunden ein fallabschließendes Angebot zu unterbreiten, wo er wirklich dann sagen kann, so und jetzt möchte ich nur noch auf Knöpfchen drücken und sagen, jawohl das nehme ich in Anspruch und kann dann eine Baufinanzierung in der Theorie vollautomatisch Umfänglich abschließen. Weil wenn ich dann schaue, ich habe die Umsatzdatenanalyse, ich habe meine Beleihungswertermittlung im Hintergrund gemacht mit den Daten die mir der Kunde hochgeladen hat, also von Objektbildern von den Plänen, von den Grundbuchauszügen, alles abgeleitet. Das ist ja jetzt alles mit dieser Technologie möglich. Und dann ist es klar, dann sieht das zwar erstmal so aus, das sind so ein bisschen die Backend-Prozesse, aber da passiert schon ganz, ganz viel Reduzierung der Wartezeit vorne beim Kunden. Und das ist, was es jetzt spannend macht, weil Wenn ich heute selbst bei einer Online-Bank gucke, so im Markt durchschnittlich passiert folgendes ich als Kunde gebe da überall meine Daten an, auch wenn ich schon heute eine Umsatzdatenanalyse machen lassen kann, da unterschreibe ich maximal noch einen, wenn es gut läuft, einen Antrag und trotzdem muss es hinten noch jemand prüfen, ich habe Wartezeit kriege irgendwann die Unterlagen für den Notar zurück und und und und. Mit der Technologie jetzt wäre es tatsächlich möglich, Fall abschließend das im Frontend zu machen. Das muss man auch so sehen, es ist natürlich die schöne Zukunftsmusik man muss auch noch gucken, wie funktioniert das Ganze regulatorisch welche Limitierungen habe ich dort, alles zugegeben. Aber das wäre technisch definitiv jetzt erstmal möglich und dann muss ich auch gucken, wie viel Risiko möchte ich da eingehen. Ich muss auch eine Art Fraud Prevention einbauen, das ist auch ein Thema, das ist auch das, Banken als zweithäufigsten Case angeben wo sie die KI mit einsetzen wollen, was sie unglaublich viel Geld kostet. Und ich glaube, da passiert schon sehr viel vorne beim Kunden. Wenngleich ich auch natürlich sehe, hinten in Richtung, ich buche das Ganze in meinem Bestand ein und muss das nochmal bewerten usw., da habe ich schon auch viele Cases, die möglich sind. Und jetzt habe ich auch gerade was erzählt von dieser Standard-Baufinanzierung, die für viele Privatkunden relevant sind. Wenn wir jetzt mal einen Schritt weiter gehen und wir haben ja jetzt auch nicht nur hier im Retailgeschäft befragt sondern auch im strukturierten Finanzierungsgeschäft. Wenn ich jetzt mal in dieses strukturierte Finanzierungsgeschäft reinschaue, wo wir auch über ganz andere Ticketgrößen sprechen und auch ganz andere Bearbeitungsaufwände mir angucken muss. Wenn ich da eine Marktanalyse machen muss, was ich von einem Bürokomplex in Manhattan, dann habe ich ja ganz andere Komplexitäten, die ich bewerten muss. Und auch ganz andere Mitarbeiterkapazitäten, die ich dort binden muss. Wenn ich jetzt da bedenke, was ich von Input, also Richtung verschiedene Analysen die es zum Markt gibt und ähnliches, hin zu, ich komme zu einem fertigen Analyse-Dokument, mir da anschaue, was da möglich ist und was ich mir da Zeit einspare, hat das schon unglaublich viel Potenzial über alle Kreditprozesse in der Bank hinweg die ich habe. Geld einzusparen, effizienter zu werden und am Ende des Tages auch schneller zu werden und gegebenenfalls dann auch das Zehntel oder zwei Zehntel günstiger zu sein als mein Mitbewerber, also gerade in dem Bereich, weil ich einfach einen viel effizienteren Prozess habe und die Cost-Income-Ratio deutlich verbessert habe für diesen Prozess Aber

Udo: 20:58

wenn ich das jetzt mir so anhöre, dann klingt das für mich tatsächlich so, als wäre es wahrscheinlich dann wirklich für die Bank der beste Weg pro Use Case wirklich eigene Modelle zu trainieren, weil ich sage mal eine Marktbewertung von solchen größeren Immobiliengeschichten im Gewerbebereich, da erscheint mir sozusagen eine andere, ganz andere Datenlage irgendwie wichtig zu sein, als wenn ich jetzt im Privatsektor irgendwie eine Baufinanzierung mache. Und der Trend geht ja sowieso dazu hin dass man kleinere Modelle miteinander verknüpft sag ich jetzt mal, um die dann zueinander arbeiten zu lassen.

Sven: 21:35

Das wird mit Sicherheit die Zukunft sein, wo wir uns auch hinbewegen müssen. Jetzt sind wir, wenn wir dort in die Banken rein schon, gerade in den Prozess, lasst uns jetzt mal gucken, welche Cases können wir überhaupt machen und wie komme ich überhaupt zu dem ersten Case, den ich tue. Zugegeben, da sind die Häuser auch unterschiedlich weit natürlich. Das haben wir auch in der Studie eben schon auch schon besprochen. Aber da stehen wir noch ein Stück weit am Anfang. Aber das ist definitiv auch Inhalt unseres Beratungsauftrages den wir haben, genau das zu bewerten. Zu gucken, okay, auf der einen Seite, wie kommt ihr jetzt zu dem richtigen Case, mit welcher Technologie, was macht jetzt Sinn, mal zu verproben, das ins Haus zu bringen. Und dann im zweiten Schritt zu gucken, okay, und ich lasse uns mal über die gesamte Bandbreite, die ihr habt, gucken, Wo kann ich das vielleicht wieder einsetzen, in abgewandelter Form, was ich dort habe, also recyceln kostengünstig wieder implementieren. Wo habe ich andere Themen, die ich mit anderen Modellen betreiben muss und wie bekomme ich dann die Verknüpfung eigentlich hin, damit ich auch diese Technologie möglichst effizient im Haus

Udo: 22:39

einsetze Weil wenn ich am Ende tatsächlich alles im Frontend machen möchte, dann muss ich ja eben genau das auch erledigt haben. Dann muss ich eben diese ganzen Use Cases die ich automatisieren möchte, die muss ich abgedeckt haben, dafür muss ich Modelle trainiert haben, dazu muss ich mir erstmal die Datenbasis erschlossen haben, also da gibt es eine Menge, was man wirklich im Vorfeld schon vorbereiten muss. Und da kommen wir dann im Prinzip zu der Strategie Mal angenommen, man hat jetzt eine kleine Bank mit Kreditgeschäft. Wie würde die denn jetzt überhaupt da dran gehen, so eine Strategie zu entwickeln und mit welchen Use Cases würde die wohl anfangen? Das ist

Sven: 23:16

sehr individuell und hängt natürlich auch von dem Geschäft ab, was das Haus betreibt. Am Ende des Tages Sammeln wir bei solchen Häusern natürlich erstmal die Ideen mit denen zusammen ein. Das heißt, wir gehen normalerweise dort in Workshops und sammeln die Ideen ein und gucken uns den Gesamtprozess einmal an. Und dann identifizieren wir in diesen Workshops mit denen gemeinsam, okay, wo haben wir den größten Kosten-Nutzen-Effekt eigentlich? Was eignet sich dann auch, das unterstützen wir auch dabei, für die jeweilig gewählte Technologie? Was lässt auch der Tech-Stack in dem jeweiligen Haus dann eigentlich zu? Beantworten dort auch ein paar Fragen hinsichtlich dem Einsatz davon in dem jeweiligen Haus, was dann gewünscht ist, auch wie das Ganze aufgesetzt sein soll und anhand dessen identifizieren wir dann, von Kosten zu Nutzen den Case, der am meisten Sinn macht, gucken uns da auch durchaus an das hängt so ein bisschen aber auch dann vom Kundenwunsch ab, naja, soll dann dieses erste Inkrement was wir jetzt mal verproben, soll jetzt dann erstmal nur die Verprobung sein, Oder soll es dann später auch in den produktiven Prozess schon mit eingebunden werden? Wie funktioniert das eigentlich? Ist das ein Entscheidungskriterium mit dabei für den Case, den wir auswählen? Das ist sehr unterschiedlich. Das kann sein dass das jetzt die Umsatzdatenanalyse ist, die man als erstes wählt weil da auch schon meistens in den Häusern durchaus Erfahrung vorhanden ist in der Kategorisierung solcher Umsatzdaten. Das kann aber auch tatsächlich sein, dass man mal mit so einer Marktanalyse anfängt Weil die den höchsten Hebel hat, in der Effizienzgestaltung also den Prozess effizienter zu machen und ich auch eine gute Chance habe, das schon in den bestehenden Prozess einzubeziehen. Das ist ja auch eine stüppelte Herausforderung weil ich will ja nicht erst den Gesamtprozess mit KI automatisieren und dann live gehen, sondern ich möchte ja schon möglichst früh die Effizienzen heben und dann nach Möglichkeit auch in meinen bestehenden Produktivprozess eingreifen und dort arbeiten Einen effizienten Teilprozess dann integrieren und genau das sind die Entscheidungskriterien, die wir dann heranziehen und danach wird das dann ausgewählt und dann geht es dann auch schon in die erste Verprobung dann rein. Das ist jetzt vom Kunde auch sehr unterschiedlich in welchen Formaten das stattfindet. Es gibt typischerweise Lab-Formate, in denen man das verproben kann und dann dort dann auch die ersten Cases evaluiert und guckt okay läuft das, läuft das nicht, trägt das. Weil ich dann auch mit einem möglichst geringen Kostenbeitrag schon viel Erkenntnis habe, wo es funktioniert und dann meine Erkenntnisse sammle. Und auch frühzeitig sagen kann, hey, da sind wir jetzt noch nicht so weit oder uns machen jetzt die Datenhaushalte in Strich durch die Rechnung. Wir müssen etwas anderes wählen. Das probieren wir natürlich dann auch schon möglichst vorzuziehen vor die eigentliche Umsetzung. Sondern wenn wir eine Umsetzung sind mit dem ersten Case, auch wirklich davon ausgehen, wir können das bis zum Ende dann durchführen. Und damit dann an die Rampe dann auch gehen.

Udo: 26:14

Das lässt sich sicherlich dann auch ein bisschen leichter integrieren, wenn man eben erstmal einen Use Case umsetzt und dann in den Prozess überführt, auch aus User Perspektive, also ich meine in dem Fall ist ja der Bankberater dann letztendlich der User und wenn der jetzt plötzlich mit einem vollautomatisierten Prozess überfallen wird, dann ist das wahrscheinlich auch nicht einfacher, sich da neu einzufinden, insofern Wahrscheinlich auch sowieso an der Stelle betrieblich viel einfacher irgendwie das Ganze

Sven: 26:41

dann zu implementieren. Es nimmt ein Stück weit die Angst und Hürde auch weg. Ich meine, es kommt ja auch immer darauf an, in welchem Bereich wir hier gerade unterwegs sind. Wenn wir über Effizienz reden, geht es ja auch oft in den Köpfen der Mitarbeiter dann darum, um Arbeitsplatzsicherheit. Das ist auch so ein heikles Thema. Ich glaube, das muss man sich angucken. Du hast es ja gerade davon gesprochen, das Land beim Bankberater. Das ist eben genau die strategische Ausrichtung, die wir mit dem Kunden auch eingangs besprechen, wo die Reise hingehen soll. Wir können auch schon sehr viel ins Frontend zum Kunden hin verlagern. Die Möglichkeiten haben wir ja. Und das ist dann aber auch das, was wir mit dem Kunden strategisch gemeinsam erarbeiten im Vorfeld, was denn die Anforderung ist. Natürlich geht immer mehr in Richtung, es soll vollautomatisiert beim Kunden sein. Ich möchte den Kunden Zugang damit erleichtern, möchte schneller am Markt sein und Ähnliches. Nichtsdestoweniger trotzdem muss man sich genau das angucken, was möchte der Kunde an der Stelle. Es gibt auch Häuser, bei denen wir sind die ganz klar sich dazu bekennen, nein, wir möchten das in der Filiale belassen. Es ist ein komplexes Geschäft, wir wollen das trotzdem beim Berater lassen, aber der soll bestmöglich unterstützt werden durch die Technologie und der soll möglichst viel Zeit für die Beratung aufwenden können und qualitativ hochwertige Beratung machen. Aber wir nicht damit befasst sein, ganz stumpf Zahlen von irgendwo abzutippen, sondern das soll eine Möglichkeit also schon vollautomatisiert da sein. Ja,

Udo: 28:07

und Dokumentenanalyse ist ja auch ein Feld, das wir schon relativ gut technisch erschlossen haben. Also das ist ja relativ einfach zu implementieren sage ich jetzt mal. Und wir haben jetzt ja auch nur das Gesamtbild, also über sozusagen alle Teilnehmer, Die Wettbewerbsvorteile, die die Banken da sehen, war jetzt in der Summe irgendwie schnellere Kreditvergabe weniger Bürokratie, aber eben auch passgenauere Angebote. Und da ist wahrscheinlich dann auch entscheidend in welcher Fokus dann tatsächlich jetzt von diesen drei Dingen da tatsächlich wirklich die Rolle spielt. Also will ich wirklich passgenau sein für den Kunden genaue Angebote abgeben oder möchte ich irgendwie schneller durchkommen durch den Prozess Widerspricht sich letztlich ein kleines bisschen und kann dann erst mit KI wirklich auch

Sven: 28:53

zusammengeführt werden. Das ist vollkommen richtig. Wir müssen natürlich auch ein bisschen differenzieren, aus welchem Prozess kommt dann die Antwort. Wenn ich jetzt heute an den Bereich Retail Konsumentenfinanzierung schaue, da geht es sehr viel um Geschwindigkeit und Kondition. Wenn ich jetzt heute auch auf den Kundenzugang blicke und habe mich sehr stark in den Portalen eingesetzt, dass dort in den Vergleichsportalen Mein Kundenzugang generiert wird, dann habe ich natürlich hohes Interesse, möglichst weit oben gelistet zu sein, also eine möglichst zuverlässige und schnelle Antwort zu geben, ob ich den Kredit begleite oder nicht. Dabei kann mir die Technologie natürlich in der Geschwindigkeit sehr gut helfen. Blicke ich jetzt auch wieder im Retail-Bereich natürlich auf die Baufinanzierung, geht es auch sehr stark darum, wie differenziere ich mich von meinen Mitbewerbern, was kann ich anders tun, neben der Kondition Eine konditionelle Frage, aber auch, wie stark kann ich mein Beratungsangebot ein Stück weit standardisieren, dass wenn der Kunde bei mir in der Filiale München zur Beratung geht und geht danach nach Hamburg in die Beratung, dass er an der Möglichkeit beim gleichen Bedarf dem gleichen Produktangebot dann auch zurückkommt, mit der gleichen Beratungsidee auch zurückkommt. Das ist also eine Frage der Standardisierung und aber auch, Wie gut ist meine Lösung gegenüber dem Mitbewerber habe ich dann vielleicht doch die eine Idee, die besser ist, als das, was der Mitbewerber hat, um meinen Bedarf zu decken. Und dabei kann natürlich eine KI-Technologie, die verschiedene Produktvarianten oder Finanzierungskonstellationen miteinander vergleichen kann oder überhaupt erst erstellen kann, aufgrund der... Des vermuteten Kundenbedarfs und viel mehr Informationen auch analysieren kann, auch anhand der Umsatzdaten, habe ich eine riesen Chance, da passgenaue Angebote tatsächlich auch bereitzustellen, auch dem Berater bereitzustellen, dass er das präsentiert auch in der Nutzenargumentation. Da habe ich einen ganz anderen Hebel dann auch dabei, als wenn ich jetzt den Berater, der generell ja eh auch zeitgetrieben ist, damit noch betraut machen muss, Guck dir alle Umsatzdaten an, analysiere diese einmal, guck dir mal für dich was kannst du für Ableitungen treffen, was hat das noch für steuerliche Aspekte und allem drum und dran. Alles immer grenzen, ist vollkommen klar, aber das alles muss ja dann berücksichtigt werden und sollte dann da mit rein. Und diesen Umfang an Informationen, die du verarbeiten musst, das prädestiniert dafür, dass das hier in den KI-Engineern Reinwerfe und dann nur noch das Ergebnis für mich bekomme als Berater.

Udo: 31:30

Ja, das hört sich nach einer Menge Potenzial an im Kreditgeschäft Auch viele Handlungsfelder die wir da wirklich erschließen können. Aus der Studie ging hervor, es gibt da wirklich noch einen relativ weiten Weg zu gehen. Also die Banken sehen sich da so, sag ich jetzt mal, auf einem halben Weg, wenn man das aus den Prozentzahlen so sich rausliest. Und natürlich haben Sie nach eigener Angabe auch eher mit den kleineren Use Cases angefangen. Das heißt, die größeren Felder sind noch zu erschließen und es bleibt auf jeden Fall spannend, wohin sich das Ganze weiterentwickeln wird.

Sven: 32:08

Definitiv. Wir sind ja gerade mit vielen Kunden im Gespräch und auch schon in der Umsetzung bei verschiedenen Cases. Ja, natürlich probieren die sich gerade. So soll es ja auch sein, dass jetzt auch mal scheitern ist erlaubt Ja, das muss auch passieren. Daraus viel ziehen, viel lernen und dann die wichtigsten Cases erstmal an den Markt bringen. Das ist der Appell, den ich damit verbinde. Das Potenzial ist extrem hoch meines Erachtens nach und ich denke auch, dass man damit viel bewegen kann, auch viel an der Cost-Income-Ratio schrauben kann in dem Kreditbereich und auch die eine oder andere Innovation gehen kann. Es geht darum, jetzt einmal zu starten und dran zu bleiben und das Ganze voranzutreiben Da sind eben die Institute Sehr unterschiedlich in dem Stand dessen was wir bis jetzt getan haben. Und wir sehen aber, die Kunden die jetzt die ersten Cases am Markt haben, das belegt ja auch die Studie, die sind all over sehr, sehr sehr zufrieden Und auch deren Kunden sind sehr zufrieden mit diesem Prozess der schon mit KI automatisiert ist.

Udo: 33:11

Ja, und ich muss sagen, also in der Studie habe ich gesehen, nur knapp ein Drittel der KI-Projekte sind nach eigenen Angaben gescheitert Aber ich sage mal, für Softwareprojekte ist das ein relativ gutes, ein guter Quotient. Da sind wir manchmal Schlimmeres gewöhnt. Insofern scheint mir das Ganze doch auch anzulaufen. Ich danke dir sehr für das Gespräch Sven. Ich würde sagen, wir lassen es jetzt erstmal dabei. Ich denke, wir haben über die Studie jetzt einigermaßen hinreichend gesprochen. Es gibt noch einiges an Details natürlich rauszulesen Auch hier der Appell der Aufruf gerne die Studie selbst mal anschauen an all die Hörerinnen und Hörer da draußen. Mein Name ist Udo Güngerich, ich bin einer der Hosts von dem Coffee Code Consult und ich würde mich freuen, wenn ihr demnächst wieder reinhört. Bis dann, macht's gut.

Sven: 34:09

Dankeschön auf Wiedersehen.