EU-Monitor Globale Finanzmärkte Künstliche Intelligenz (KI) ist ein wichtiger Schritt hin zur weiteren Digitalisierung und Transformation des modernen Unternehmens. Der Begriff bezeichnet die Fähigkeit von Computern, Wissen ohne zusätzliche Eingriffe von Programmie- rern zu erwerben und anzuwenden. Auch die Anleger wollen an diesem nahenden Wandel teilhaben. Weltweit wur- den im Jahr 2018 USD 24 Mrd. in KI investiert . Damit hat sich das Investitions- volumen seit dem Jahr 2013 verzwölffacht. Vor allem Start-Ups aus den USA stehen im Zentrum der Aufmerksamkeit, gefolgt von chinesischen Unterneh- men. Letztere haben europäische Start-Ups auf dem Gebiet der KI bereits hinter sich gelassen. In Europa wiederum sind Deutschland, Frankreich und Großbritannien sowohl bei der Entwicklung als auch bei der Nutzung von KI führend. Angesichts des zunehmenden globalen Wettbewerbs möchte die Europäische Kommission im Zeitraum von 2021 bis 2027 Haushaltsmittel in Höhe von EUR 9 Mrd. für Pro- jekte mit KI-Bezug bereitstellen. Die Nutzung von Informationstechnologie (IT) hat bereits in der Vergangenheit zu beträchtlichen Effizienzverbesserungen und Umsatzsteigerungen im Finanz- sektor geführt. KI verspricht nun einen ähnlichen Effekt . Bisher wird sie aller- dings im Bankensektor wenig genutzt. Derzeit wird getestet, ob KI Betrugsver- suche im Online-Banking in Echtzeit erkennen und verhindern kann und wie sie bei der Kundenidentifizierung („Know your customer“, KYC) helfen kann. Auch Robo-Advisors entwickeln sich mehr und mehr zu vollständigen KI-Lösungen. Datenschutzvorschriften und Sicherheitsbedenken (Stichwort Cybersicherheit) könnten allerdings den Einsatz von KI im Bankensektor erschweren. Außerdem könnten die KI-bedingten Effizienzgewinne durch die strenge Regulierung des Bankensektors zum Teil wieder zunichte gemacht werden. Man sollte nicht unterschätzen, welchen Beitrag KI möglicherweise zur Rentabi- lität der Banken leisten kann. Der Empirie zufolge hat KI einen signifikanten po- sitiven Effekt auf die Rendite auf alle Vermögenswerte („return on assets“, ROA) europäischer Banken. KI-Technologien können die Arbeitsproduktivität steigern und so die Kosten im Bankensektor strukturell senken. Insofern kann eine ra- sche Nutzung von KI-Technologien entscheidend dazu beitragen, die anhaltend geringe Rentabilität zu verbessern und wettbewerbsfähig zu bleiben. Autor Orçun Kaya +49 69 910-31732 orcun.kaya@db.com Editor Jan Schildbach Deutsche Bank AG Deutsche Bank Research Frankfurt am Main Deutschland E-Mail: marketing.dbr@db.com Fax: +49 69 910-31877 www.dbresearch.de DB Research Management Stefan Schneider Original in englischer Sprache: 4. Juni 2019 4. Juli 2019 Künstliche Intelligenz im Bankensektor Ein bisher kaum genutzter Hebel für Rentabilität Künstliche Intelligenz im Bankensektor 2 | 4. Juli 2019 EU-Monitor Einleitung Der enorme Fortschritt in der IT – sei es in Bezug auf Hardware, Software oder Internettechnologie – hat unsere Gesellschaft unwiderruflich verändert. Heutzu- tage ist eine aktive Teilnahme an der Wirtschaft ohne Computer, Internet oder mobile Geräte kaum mehr vorstellbar. Das hohe Entwicklungstempo der IT schafft beträchtliche Chancen: So ist es innerhalb relativ kurzer Zeit möglich, die Kundenbasis zu vergrößern, neue Produkte einzuführen oder vorhandene zu verbessern und die Effizienz zu steigern. Allerdings gilt auch: Wenn Unterneh- men die aktuelle IT-Welle verpassen, könnten sie schon bald von der Entwick- lung überholt werden. Die Fortschritte auf dem Gebiet der KI stellen einen besonders bemerkenswer- ten IT-Durchbruch der vergangenen Jahre dar. Der Begriff „KI“ bezieht sich vor allem darauf, dass Computer ähnliche kognitive Fähigkeiten aufweisen wie Menschen. Daraus können sich für Unternehmen und ihre Kunden gleicherma- ßen beträchtliche Effizienzgewinne ergeben. Der Finanzsektor hat bereits früh mit KI experimentiert – nicht zuletzt wegen der Aussicht auf eine höhere Renta- bilität. Daher lohnt es sich, die potenzielle Rolle der KI bei der digitalen Transfor- mation der Banken genauer zu betrachten. Künstliche Intelligenz: Weit mehr als Standard-IT-Anwendungen Bisher konzentrierten sich IT-Lösungen für die Wirtschaft vor allem auf die Auto- matisierung von regelmäßig wiederkehrenden Routineaufgaben, die ansonsten von Menschen hätten erledigt werden müssen. Solche IT-Anwendungen erhiel- ten von den Entwicklern genau umrissene Aufgaben und hatten per Definition nur begrenzte Fähigkeiten. Sie waren weitgehend statisch und konnten neue Si- tuationen nicht eigenständig erfassen oder selbstständig handeln. Im Zuge des technischen Fortschritts ändert sich dies jedoch zunehmend. Der Begriff „Künstliche Intelligenz“ bezeichnet die Fähigkeit von Computerpro- grammen, ohne weitere Eingriffe oder Befehle von Menschen Wissen zu erwer- ben und anzuwenden. KI-Systeme beobachten die Welt um sich herum und analysieren Informationen selbstständig, ziehen daraus Schlüsse und handeln entsprechend. Sie stellen fest, wie sinnvoll frühere Entscheidungen waren, ler- nen daraus und verbessern so ihre Leistung im Zeitablauf. Der Begriff KI wurde zum ersten Mal bei der Dartmouth Conference im Jahr 1956 geprägt 1 und ist insofern nicht neu. In den vergangenen Jahren haben ei- nige Durchbrüche in der IT jedoch zu einem beträchtlichen Aufschwung der KI geführt: i) Aufgrund der verstärkten Nutzung des Internet werden umfangreiche Volu- mina an digitalen Daten erzeugt und gespeichert. Innerhalb von rund 10 Jah- ren hat sich das weltweit generierte Datenvolumen in etwa versiebzehnfacht. Prognosen zufolge ist bis 2025 mit einer weiteren Verfünffachung zu rech- nen. Nach einer entsprechenden Aufbereitung und Strukturierung (Stichwort Big Data) kann diese große Menge von Informationen nun als Grundlage für datengestützte Entscheidungen dienen. ii) Die Rechenleistung von Computern hat sich beträchtlich verbessert. Ein Standardmaß, die Zahl der Transistoren, ist seit den Siebzigerjahren um das Zehnmillionenfache gestiegen. Das Rechentempo der Prozessoren, eben- falls ein Faktor bei der Leistungsfähigkeit, hat sich im selben Zeitraum um den Faktor 6.750 erhöht. 2 Dadurch können Algorithmen Daten sehr viel 1 Vgl. McCarthy, Minsky, Rochester, Shannon (1955). 2 Dem Mooreschen Gesetz zufolge verdoppelt sich das Rechentempo von Computern bzw. die Zahl der Transistoren in einem Standard-Prozessor etwa alle zwei Jahre. Maschinelles Lernen 1 Es gibt verschiedene Ansätze, um Computer so zu programmieren, dass sie menschliche Entscheidungsprozesse nachahmen. Zu den üblichen Lösungen gehören Entscheidungs- bäume, Rankings oder Prioritätensetzungen. Maschinelles Lernen (ML) ist ein relativ neuer Ansatz. ML ist ein Teilbereich der KI und be- zieht sich auf Computerprogramme, die Muster erkennen und auf dieser Grundlage Vorhersa- gen treffen können. Ein typisches Beispiel da- für ist eine Internetplattform, die Nutzern an- hand ihrer bisherigen Präferenzen bestimmte Produkte oder Nachrichten empfiehlt, die ihnen gefallen könnten. ML-Anwendungen analysie- ren laufend neue Daten und Szenarien und verfeinern so ihre Entscheidungsprozesse, ohne explizit darauf programmiert zu sein. Sie können also aus Daten lernen. Unterkatego- rien des ML sind Deep Learning sowie über- wachtes, nicht überwachtes und bestärkendes Lernen. ML-Anwendungen verarbeiten enorme Daten- mengen mit Hilfe neuronaler Netze. Kurz ge- sagt werden bei diesen Prozessen Daten auf verschiedenen Ebenen klassifiziert. Dabei die- nen die Wahrscheinlichkeiten der jeweiligen möglichen Entwicklungen als Grundlage. Die Algorithmen treffen ihre Entscheidung anhand des Ergebnisses, das am wahrscheinlichsten ist. Dabei kann die Entscheidung natürlich auch suboptimal ausfallen. Neuronale Netze enthalten jedoch auch eine Feedback-Schleife. Sie aktualisieren ihren Ansatz je nachdem, ob ihre vorhergehenden Versuche erfolgreich wa- ren oder nicht, und können so beim nächsten Mal eine bessere Entscheidung treffen. Quelle: Deutsche Bank Research Künstliche Intelligenz im Bankensektor 3 | 4. Juli 2019 EU-Monitor schneller verarbeiten, und die Treffsicherheit der Entscheidungen erhöht sich. iii) Andere Entwicklungen wie etwa der Rückgang der Speicherkosten für Da- ten, bessere Data-Mining-Verfahren und die wachsende Zahl von IT- Experten haben ebenfalls dazu beigetragen, die Möglichkeiten der KI zu er- höhen. Ein Gigabyte Festplatten-Speicherplatz kostet inzwischen nicht mehr rund USD 5.000 wie noch im Jahr 1990, sondern lediglich etwa USD 0,025. Gleichzeitig ist die Zahl der IT-Spezialisten z.B. im Euroraum von 2007 bis 2017 um 50% angestiegen. Big Data als Ausgangspunkt, Datenerfassungsmethoden wie z.B. maschinelles Lernen und eine bessere Erschwinglichkeit – dies sind die Gründe für die gro- ßen Fortschritte bei der KI in jüngster Zeit, wenn es darum geht, Sprachen zu verstehen, Objekte und Klänge zu erkennen und Probleme zu erfassen und selbstständig zu lösen. Steigende Investitionen in Künstliche Intelligenz Infolge der raschen Entwicklung in den vergangenen Jahren wird inzwischen in verschiedenen Bereichen der Einsatz von KI geprüft bzw. KI tatsächlich genutzt. Allerdings ist es aufgrund von Messproblemen nicht ganz einfach, diesen Ein- satz zu quantifizieren. Wenn Unternehmen z.B. KI verwenden, um die Effizienz ihrer Abläufe zu steigern, lässt sich der Effekt nicht direkt analysieren. Außer- dem ist es zuweilen schwierig, zwischen Standard-IT-Lösungen und reinen KI- Anwendungen zu unterscheiden. Um dieses Problem zumindest teilweise zu umgehen, lohnt es sich, Daten zu Venture Capital-(VC-)Investitionen in Start- Up-Unternehmen aus dem KI-Sektor heranzuziehen. 3 Im Jahr 2018 wurde welt- weit die beachtliche Summe von USD 24 Mrd. in KI-Start-Ups investiert; 2013 waren es noch weniger als USD 2 Mrd. Insbesondere in den vergangenen zwei bis drei Jahren sind die VC-Investitionen deutlich angestiegen. KI-Unternehmen werden außerdem zunehmend zu Übernahmezielen. In den vergangenen 20 Jahren wurden insgesamt 434 Unternehmen aus dem KI-Sektor übernommen; 220 dieser Übernahmen erfolgten dabei seit dem Jahr 2016. 4 Knapp USD 15 Mrd. des gesamten VC-Volumens flossen im Jahr 2018 in KI- Start-Ups aus den USA und weitere USD 6,5 Mrd. in chinesische Unternehmen. In den Jahren 2017 und 2018 nahm die Zahl der VC-Transaktionen nicht mehr so stark zu. Das durchschnittliche Volumen der VC-Investitionen schnellte dage- gen in die Höhe, was darauf hindeutet, dass VC-Kapital inzwischen eher in rei- fere KI-Unternehmen fließt, deren Kapitalbedarf höher ist als derjenige von typi- schen neu gegründeten Start-Ups. In China z.B. erhielt das Unternehmen Sen- seTime Group, das sich mit maschinellem Sehen und Deep Learning beschäf- tigt, im Jahr 2018 VC-Kapital in Höhe von USD 1,6 Mrd. Dadurch stieg der Un- ternehmenswert auf über USD 6 Mrd. an, sodass SenseTime Group inzwischen das wertvollste KI-„Einhorn“ der Welt ist („Unicorn“, d.h. Tech-Unternehmen mit einem geschätzten Wert von mindestens USD 1 Mrd.). In den USA investieren derweil vor allem große Technologieunternehmen in KI-Start-Ups. VC-Investoren sehen KI offensichtlich als revolutionäre Technologie mit be- trächtlichem Potenzial an, ähnlich wie das Internet bzw. das mobile Internet in früheren Jahrzehnten. Wie verwenden die KI-Start-Ups dieses Kapital? Ersten Beobachtungen zufolge stellen sie weitere KI-Spezialisten ein (was kostspielig 3 Laut Definition der OECD handelt es sich bei KI-Start-Ups um Unternehmen, deren Geschäfts- modell sich auf Folgendes konzentriert: i) „Künstliche Intelligenz“, „maschinelles Lernen“ und „maschinelle Intelligenz“; ii) „neuronale Netze“, „Deep Learning“ und „bestärkendes Lernen“; und iii) „maschinelles Sehen“, „Predictive Analytics“, „Spracherkennung“, „autonomes Fahren“, „intelli- gente Systeme“ und „virtuelle Assistenten“. 4 Vgl. WIPO (2019). 0 5 10 15 20 25 13 14 15 16 17 18* USD Mrd. Quellen: OECD, Deutsche Bank Research *geschätzter Wert Starkes Wachstum der VC - Investitionen in KI-Start-Ups weltweit 2 Künstliche Intelligenz im Bankensektor 4 | 4. Juli 2019 EU-Monitor und schwierig ist) und bauen ihre Dienste aus. Daher müssen die Anleger gege- benenfalls eine Weile warten, bevor ihre Investitionen nennenswerte Erträge er- bringen. Künstliche Intelligenz und geistiges Eigentum In aller Regel gilt: Eine Technologie wird sich in den kommenden Jahren als be- sonders nützlich und wirtschaftlich wertvoll erweisen, wenn die Zahl der Patent- anmeldungen auf diesem Gebiet deutlich ansteigt. 5 2016 war die Zahl der Pa- tentanmeldungen für KI-Technologien mit rund 20.000 doppelt so hoch wie im Jahr 2010. Rund 50% entfielen dabei auf KI-Patente im Bereich maschinelles Sehen. Diese Technologie ist vor allem für autonomes Fahren von Bedeutung; hieran zeigt sich, wie lebhaft der Wettbewerb auf diesem Gebiet derzeit ist. 2015 (dem bisher letzten Jahr, für das länderspezifische Daten verfügbar sind) entfiel rund ein Drittel aller Patentanmeldungen auf die USA. Dieser Anteil ist seit 2010 etwa stabil geblieben. Innerhalb der USA wiederum reichten vor allem große Technologiekonzerne KI-Patente ein. Chinas Anteil an den gesamten An- meldungen stieg von 10% im Jahr 2010 auf 25% im Jahr 2015 an. Auf Japan und die EU-28 entfielen jeweils 14%; zuvor waren es jeweils rund 20% gewe- sen. China scheint also die EU und Japan auf dem Gebiet der KI-Forschung und -Entwicklung zunehmend zu überrunden, was erhebliche Folgen für die Zu- kunft haben könnte. Innerhalb der EU entfiel die Hälfte aller KI-Patentanmeldungen auf Deutschland und Frankreich. Zusammen mit Großbritannien (16%) und Schweden (8%) ste- hen damit vier Länder für den Großteil der KI-Forschung. Da Patente ein rechtli- ches Monopol begründen, können Vorreiter auf einem bestimmten Gebiet von beträchtlichen Vorteilen profitieren. Und angesichts potenziell großer Skalenef- fekte könnten Länder, die derzeit auf dem Gebiet der KI nicht besonders aktiv sind, langfristig abgehängt werden. Vor dem Hintergrund des sich verstärkenden globalen Wettbewerbs im IT- Sektor insgesamt und bei der KI im Besonderen hat die Europäische Kommis- sion im März 2019 ein neues Budget für die Finanzierung von Forschungs- und Innovationsprojekten in Europa vorgeschlagen. Horizont Europa soll an die Stelle des Programms Horizont 2020 treten, das ein Ausgabenvolumen von EUR 77 Mrd. für die Jahre 2014-20 hat. Für Horizont Europa sind EUR 100 Mrd. in den Jahren 2021-27 vorgesehen. Eine der wichtigsten Komponenten von Ho- rizont Europa ist das Programm Digitales Europa, das Investitionen in Höhe von EUR 9 Mrd. in Hochleistungsrechnen und -datenverarbeitung, KI, Cybersicher- heit und digitale Fertigkeiten und Kompetenzen vorsieht. Auch wenn Horizont Europa sicherlich ein wichtiger Schritt zur Förderung der KI-Technologie in Eu- ropa ist, bleibt abzuwarten, inwieweit das Programm tatsächlich erfolgreiche KI- Projekte vorantreiben kann. Beim Vorgängerprogramm gingen von 2014 bis 2016 115.000 Anträge auf Mittel für Innovations- und Forschungsprojekte ein, von denen jedoch lediglich 14.000 bewilligt wurden – eine sehr geringe Erfolgs- quote. Die hohe Antragszahl belegt, dass der Kapitalbedarf hoch ist. Gleichzei- tig lässt die hohe Ablehnungsquote auf grundsätzliche Probleme schließen. Ge- gebenenfalls wären alternative Ansätze erforderlich (z.B. eine gezielte Verbes- serung der IT-Kenntnisse bereits zu einem frühen Zeitpunkt oder ein Ausbau der IT-Infrastruktur), um die Zahl qualitativ hochwertiger KI- und Innovationspro- jekte zu steigern. 5 Für eine genauere Erläuterung vgl. Inaba und Squicciarini (2017). 0 10 20 30 40 10 15 10 15 10 15 10 15 US EU-28 JP CN Quellen: OECD, Deutsche Bank Research KI - Patente: China überholt die EU 3 % der gesamten weltweiten KI - Patente* *KI - Patente sind Patente in den Bereichen Erkennen und Verstehen von Zusammenhängen, Datenspeicher mit großer Kapazität und hoher Geschwindigkeit, Hochleistungsrechnen, leistungsfähige Algorithmen. 31 17 16 8 7 21 DE FR UK SE NL Übrige EU Quellen: OECD, Deutsche Bank Research % der gesamten KI - Patentanmeldungen in der EU zwischen 2010 und 2015 KI - Aktivität konzentriert sich auf wenige EU-Länder 4 Künstliche Intelligenz im Bankensektor 5 | 4. Juli 2019 EU-Monitor Frühere Beispiele für den Einsatz von IT im Bankensektor Banken nutzen neue IT-Möglichkeiten normalerweise rasch. Dies gilt nicht nur für interne Prozesse, wo moderne Technologien seit Langem eingesetzt werden (z.B. bei der Abwicklung von Zahlungen), sondern auch für den Kontakt mit dem Kunden. So sind Geldautomaten eines der frühesten Beispiele für den Einsatz von IT im Bankensektor. Sie ersetzten Angestellte, die an der Kasse Bargeld auszahlten und Kontostände prüften. So wurde es für die Kunden einfacher, Standard-Bankdienstleistungen in Anspruch zu nehmen, und gleichzeitig wur- den die Banken effizienter. Der erste Geldautomat wurde im Jahr 1967 in Lon- don aufgestellt, inzwischen gehören sie zur Standardausstattung von Bankfilia- len. In Europa verfügte eine Filiale im Jahr 2017 im Schnitt über drei Geldauto- maten; 1987 war es noch ein Geldautomat pro vier Filialen. Die Bankangestell- ten wurden von Routineaufgaben im Kassengeschäft entlastet und konnten sich intensiver um andere Dinge kümmern, z.B. die individuelle Kundenbetreuung oder Beratung und Vertrieb etwa von Kreditkarten, Krediten und Anlageproduk- ten. 6 Online-Banking ist ein weiteres Beispiel dafür, wie die Banken IT im Kontakt mit dem Kunden einsetzen. Seit dem Ende der Neunzigerjahre wird das Internet im- mer intensiver für Bankdienstleistungen genutzt. Es haben sich Direkt- oder In- ternetbanken entwickelt, die nur sehr wenige oder überhaupt keine physischen Niederlassungen haben. Praktisch alle Banken bieten inzwischen Online-Ban- king an. Im Jahr 2018 nutzte über die Hälfte der erwachsenen Kunden in der EU das Online-Banking, um ihren Kontostand abzurufen oder Geld zu überweisen. Die Marktdurchdringung ist in einigen Ländern, z.B. Dänemark, besonders hoch (90%). In Deutschland nutzten 59% der Privatkunden im Jahr 2018 Internet- Banking; 2007 waren es lediglich 35% gewesen. Kunden, die wenig Zeit für den Gang zur Filiale haben, nutzen inzwischen überwiegend Online-Banking für Standarddienstleistungen. Die Art und Weise, wie Bankkunden auf das Internet zugreifen, hat sich eben- falls geändert. So verwenden die Deutschen zunehmend mobile Endgeräte für das Internet-Banking; rund 40% haben eine Banking-App auf ihrem Smartphone installiert. Ein Fünftel nutzt diese Apps auch für den mobilen Zahlungsverkehr. Das gilt vor allem für jüngere, besser gebildete und internetaffine Kunden. In- dem die Banken und ihre Kunden zunehmend auf virtuellen Plattformen intera- gieren und immer mehr Menschen Online-Services nutzen, schwindet die Be- deutung der Filialen für das Bankgeschäft. Künstliche Intelligenz im Bankensektor Für Banken sind Daten in praktisch allen Geschäftsbereichen von wesentlicher Bedeutung, vom klassischen Einlagen- und Kreditgeschäft bis hin zum Invest- mentbanking und der Vermögensverwaltung. Daher bietet ein autonomes Da- tenmanagement, das ohne menschliche Eingriffe auskommt, den Banken viele Möglichkeiten, um schneller, präziser und effizienter zu werden. Potenzielle KI- Anwendungen im Bankensektor lassen sich in vier große Kategorien einteilen: 1) Anwendungen für den Kundenverkehr (Front Office); 2) Anwendungen für in- terne Prozesse (Back Office); 3) Handel und Portfoliomanagement; 4) Einhal- tung rechtlicher Vorschriften. 7 Bisher testen die Banken KI-Technologien zu- meist erst aus und haben sie noch nicht vollständig in ihre Systeme eingebun- den. Dabei scheinen kunden- und prozessorientierte Lösungen im Vordergrund zu stehen: 6 Vgl. Autor (2015). 7 Ein detaillierter Überblick über den Einsatz von KI in den einzelnen Kategorien der Tabelle 8 fin- det sich in FSB (2017). 0 1 2 3 4 87 91 95 99 03 05 09 13 17 Quellen: Weltbank, Humphrey et al (2003), Deutsche Bank Research Verhältnis von Geldautomaten zu Bankfilialen in Europa* 5 *Finnland, Norwegen, Dänemark, Schweden, Belgien, Spanien, die Niederlande, die Schweiz, Italien, Groß- britannien, Frankreich und Deutschland bis 1999 und alle EU-Länder seitdem. 0 20 40 60 80 08 10 12 14 16 18 EU DE FR UK Quelle: Eurostat Nutzer in % der erwachsenen Bevölkerung Internet - Banking wächst stetig 6 0 20 40 60 Nutzer Nicht- Nutzer Nutzer Mögliche Nutzer Nicht- Nutzer Banking-App Mobiles Bezahlen Quellen: Postbank Digitalstudie (2018), Deutsche Bank Research % der Befragten Mobile-Banking in Deutschland 7 Künstliche Intelligenz im Bankensektor 6 | 4. Juli 2019 EU-Monitor i) Derzeit wird getestet, ob und wie KI Betrugsversuche im Online-Banking in Echtzeit erkennen und verhindern kann. Kreditkartenbetrug ist in den vergan- genen Jahren zu einer der verbreitetsten Formen von Cyberkriminalität ge- worden, und diese Tendenz wird durch das kräftige Wachstum im Online- bzw. mobilen Zahlungsverkehr noch verstärkt. 8 Um eventuelle Betrugsfälle zu erkennen, prüfen KI-Algorithmen in Echtzeit, ob die von Kunden getätig- ten Kreditkartentransaktionen plausibel sind, und vergleichen aktuelle Zah- lungsvorgänge im Hinblick auf den Zahlungsbetrag und -ort mit früheren Zahlungen. Wenn ein Risiko erkannt wird, blockiert die KI die entsprechende Transaktion. ii) Außerdem wird der Einsatz von KI in KYC-Prozessen getestet, bei denen die Identität von Kunden überprüft wird. KI-Algorithmen scannen Kundenunterla- gen und vergleichen sie mit Informationen aus dem Internet, um festzustel- len, wie zuverlässig die Unterlagen sind. Bei etwaigen Widersprüchen schla- gen die KI-Algorithmen Alarm und Bankmitarbeiter führen eine detailliertere KYC-Prüfung durch. iii) Bei Chatbots setzen die Banken ebenfalls versuchsweise KI-Technologien ein. Chatbots sind digitale Assistenten, die per Textnachricht oder telefonisch mit den Kunden interagieren und versuchen, deren Anliegen ohne Beteili- gung eines Bankmitarbeiters zu bearbeiten. iv) Darüber hinaus testen die Banken, inwieweit KI Angaben (z.B. in juristischen Dokumenten oder Jahresberichten) visualisieren und wichtige Punkte her- ausfiltern kann. KI-Algorithmen entwickeln anhand der Daten selbstständig Modelle und führen ein Backtesting durch. So lernen sie aus früheren Feh- lern und erhöhen ihre Treffsicherheit. v) Einige bereits existierende Finanztechnologie-Anwendungen entwickeln sich im Zeitablauf ebenfalls zu umfassenden KI-Lösungen. Dies gilt z.B. für Robo- Advisors, die eine vollständige Automatisierung bestimmter Asset-Manage- ment-Dienstleistungen möglich machen, oder Online-Finanzplaner, mit deren Hilfe die Kunden besser begründete Konsum- und Sparentscheidungen tref- fen können. Mit zunehmender Reife nutzen diese Finanztechnologielösun- gen immer intensiver Techniken, um selbstständig Daten zu durchsuchen und Muster darin zu finden. In ihrem Streben nach mehr Effizienz scheinen die Banken vor allem auf KI- Anwendungen zu setzen, die kostspielige, arbeitsaufwändige und sich wieder- holende Tätigkeiten übernehmen können. Es geht insbesondere um die Verbes- serung des operationellen Risikomanagements, z.B. durch Betrugserkennung oder bessere KYC-Verfahren, sowie um Kostensenkungen, z.B. durch Chatbots oder Robo-Advisors. 8 Vgl. Mai (2018). Nutzung von KI durch Banken 8 Kundenorientierte Front-Office- Anwendungen -Bonitätsbewertung -Versicherungspolicen -Chatbots -KYC Prozessorientierte Back-Office- Anwendungen -Kapitaloptimierung -Modell-Risikomanagement -Stresstests -Betrugserkennung Handel und Portfolio- management -Handelsausführung -Portfoliomanagement Einhaltung rechtlicher Vorschriften -Regulierungstechnologie (RegTech) -Makroprudentielle Überwachung -Datenqualitätssicherung -Aufsichtstechnologie (SupTech) Quellen: FSB (2017), Deutsche Bank Research Künstliche Intelligenz im Bankensektor 7 | 4. Juli 2019 EU-Monitor Hindernisse für den Einsatz von Künstlicher Intelligenz im Banken- sektor Trotz des enormen Potenzials wird der Einsatz von KI im Bankensektor möglich- erweise durch einige externe Faktoren gebremst. Zunächst enthält die EU- Datenschutzgrundverordnung (DSGVO), die im Jahr 2018 in Kraft trat, präven- tive Klauseln zu automatisierten Entscheidungen. Dies betrifft nicht nur die Fi- nanzbranche, sondern alle Sektoren. In Artikel 22 der DSGVO heißt es: „Die be- troffene Person hat das Recht, nicht einer ausschließlich auf einer automatisier- ten Verarbeitung – einschließlich Profiling – beruhenden Entscheidung unter- worfen zu werden...“ Dies wirft besondere Probleme für KI-Anwendungen auf, deren Entscheidungen ja per Definition automatisch erfolgen. Um die Ein- schränkungen des Artikels 22 umzusetzen, könnte an einem gewissen Punkt des Prozesses ein Mensch eingebunden werden, der z.B. am Ende der KI-Kette letztendlich die Entscheidung trifft. Artikel 13 der DSGVO enthält zudem be- stimmte Offenlegungsvorschriften. Sollte z.B. ein KI-Programm die Eröffnung ei- nes Kontos oder die Gewährung eines Kredits ablehnen, hat der Kunde das Recht, über die Gründe für diese Entscheidung informiert zu werden. Artikel 13 verlangt nicht unbedingt, dass der Quellcode des KI-Algorithmus im Einzelnen offengelegt wird. Es müssen jedoch gewisse Angaben gemacht werden, welche Parameter einfließen. In jedem Fall dürften Eingriffe von Programmierern erfor- derlich sein, um diese und zahlreiche andere Datenschutzvorgaben zu erfüllen. Dadurch fallen die zu erwartenden Effizienzgewinne durch KI geringer aus. Dass Big Data möglicherweise in böser Absicht manipuliert werden könnte, dürfte den Einsatz von KI im Bankensektor ebenfalls hemmen. Zum Beispiel könnten Hacker versuchen, die Systeme mit fiktiven Daten zu füttern (falsche Social Media-Konten, Internetseiten oder Nachrichten) und so Einfluss auf KI- Entscheidungen zu nehmen. Diese könnten dadurch verzerrt sein und be- stimmte Personen diskriminieren – oder Hacker könnten sogar die KI-Systeme an sich unter ihre Kontrolle bringen. Dass KI-Systeme miteinander verbunden sind, macht das Problem noch brisanter. KI selbst kann zwar Cyberangriffe und Malware recht gut erkennen, dennoch müssten möglicherweise Programmierer die Systeme laufend überwachen und kontrollieren, um eventuelle Cybersicher- KI-Anwendung in der Praxis: Die Alpha-Dig-Plattform der Deutschen Bank 9 Mithilfe von KI-Anwendungen und maschinellem Lernen ist es heute möglich, geopolitische Risiken zu quantifizieren und ihre Auswirkungen auf die Finanzmärkte zu prognostizieren. Die Alpha-Dig- Plattform der Deutschen Bank („Alpha-Dig“) verwendet zum Beispiel Algorithmen des maschinellen Lernens, um Zusammenhänge aus Nachrichten, sozialen Medien und anderen Artikeln in natürli- cher Sprache abzuleiten und daraus das politische Risikoprofil eines Landes zu erstellen. Alpha-Dig durchsucht zunächst mithilfe von Algorithmen globale Finanzmedien. Das dient als Hin- weis darauf, wie viel mediale Aufmerksamkeit den Risiken bestimmter Länder gewidmet ist. Bei diesem Prozess werden Techniken der natürlichen Sprachverarbeitung und des maschinellen Ler- nens eingesetzt, um auf Kontextinformationen in einem Artikel zu schließen. Damit soll sicherge- stellt werden, dass positive und negative Anzeichen aus Berichten gesammelt werden, die versu- chen, eine oder beide Seiten einer Geschichte darzustellen. Im zweiten Schritt legt Alpha-Dig Er- kenntnisse aus Wikipedia-Artikeln über diese Informationen, die erstens recht verlässlich und zwei- tens für Maschinen gut lesbar sind. Um mögliche Verzerrungen zu vermeiden, nutzt die Plattform Leserdaten, um zu ermitteln, welche Themen aktuell sind. Sobald Daten aus den allgemeinen Fi- nanznachrichten mit den Erkenntnissen aus Wikipedia angereichert sind, kann Alpha-Dig abbilden, wie politische Themen im Laufe der Zeit wichtiger oder weniger wichtig geworden sind. Neben an- deren statistischen Daten können Z-Scores berechnet werden, die die durchschnittliche Anzahl an täglichen geopolitischen Nachrichten für ein Thema in der jüngsten Vergangenheit betrachten und darstellen, welchen Anteil dieses Thema an allen geopolitischen Nachrichten insgesamt hat. Liegt die Aufmerksamkeit, die ein konkretes politisches Ereignis erfährt, mehr als zwei Standardabwei- chungen über normal, wird das Ereignis als „Ausreißer“ klassifiziert. Natürlich kann kein System geopolitische Folgen jederzeit genau vorhersagen. Mit Hilfe von Tools wie Alpha-Dig lässt sich je- doch ein objektiver Maßstab erstellen, der Investoren in schwierigen Zeiten eine Orientierung bie- ten kann – die Fortschritte bei der KI machen es möglich. Quelle: Deutsche Bank Research. Konzept. Februar 2019, S. 34-39. Künstliche Intelligenz im Bankensektor 8 | 4. Juli 2019 EU-Monitor heitsprobleme zu lösen. In diesem Zusammenhang könnte es hilfreich sein, so- genannte „Regulatory Sandboxes“ einzuführen. Dabei kann die Sicherheit neuer KI-Anwendungen unter realen Bedingungen überprüft werden. Nach Auffassung mancher Beobachter ist die Logik von KI und insbesondere von neuronalen Netzwerken intransparent; die Systeme funktionieren demnach wie eine „Black Box“. 9 Diese Befürchtung ist darauf zurückzuführen, dass die KI- Algorithmen unter Umständen sehr komplex sind und Menschen sie nicht ohne Weiteres visualisieren und verstehen können. Das Komplexitätsproblem ver- schärft sich dadurch, dass sich KI-Algorithmen im Zeitablauf aktualisieren und enger miteinander verknüpfen. Wohlgemerkt können KI-Prognosen und -Ent- scheidungen letztendlich ganz ähnlich wie Prognosen und Entscheidungen von Menschen ausfallen. Im Gegensatz zu Menschen kann KI jedoch per Definition die entsprechenden Gedankengänge nicht erläutern. Dies erschwert den Ein- satz von KI insofern, als Prozesse im Bankensektor auch dann vollständig nach- vollziehbar sein müssen, wenn die getroffenen Entscheidungen angemessen und gerechtfertigt sind. Falls ein Problem mit einer Entscheidung auftritt, muss klar erkennbar sein, an welcher Stelle der entsprechende Fehler erfolgt ist. Der gesamte Entscheidungsprozess hat den regulatorischen und aufsichtsrechtli- chen Vorgaben zu entsprechen und muss vollständig transparent sein. Durch die Einbeziehung menschlicher Programmierer und eine Beaufsichtigung durch Menschen würden die Effizienzgewinne zwar zum Teil wieder zunichtegemacht, aber die KI-Algorithmen würden auch transparenter sein. Ungeachtet dieser po- tenziellen Hindernisse werden die Banken weiterhin die Möglichkeiten von KI testen, was beträchtliche Folgen für die Rentabilität haben könnte. Künstliche Intelligenz und Rentabilität der Banken KI kann die Rentabilität der Banken auf zweierlei Weise erhöhen: Erstens kann autonome KI-Software monotone Tätigkeiten übernehmen, so den Bedarf an weniger qualifizierten Arbeitskräften verringern und die Effizienz der verbleiben- den Mitarbeiter erhöhen. Dies ist insofern von Bedeutung, als die Gehälter in der Regel einen beträchtlichen Anteil an den gesamten Aufwendungen einer Bank ausmachen. Zweitens kann KI zur Ertragssteigerung beitragen. Sie kann die Banken dabei unterstützen, neue Produkte und maßgeschneiderte Ange- bote zu entwickeln, die den Wünschen der Kunden genauer entsprechen. Aller- dings lässt sich der Zusammenhang zwischen dem Einsatz von KI und der Ren- tabilität der Banken nur schwer quantifizieren, zumal er sich kaum fassen lässt und es an Mikrodaten mangelt. Insgesamt besteht jedoch in den europäischen Ländern nahezu eine lineare Relation zwischen der Zahl von KI-Patent- anmeldungen 10 und der Rendite auf alle Vermögenswerte (ROA) im Bankensek- tor; die Korrelation beläuft sich auf 80%. In Ländern, in denen mehr KI-Patente angemeldet werden, scheinen die Banken rentabler zu sein. Gleichzeitig sind die potenziellen operationellen Risiken eines verstärkten Einsatzes von KI und die damit einhergehenden Kosten für die Banken in diesem frühen Stadium kaum zu beurteilen. Die Rentabilität der Banken hängt von verschiedenen Faktoren ab, die in einer empirischen Untersuchung berücksichtigt werden müssen. Unsere Panel-Re- gression enthält nicht nur KI, sondern auch Makrofaktoren, spezifische Indikato- ren für den Bankensektor und bestimmte Zeiteffekte. Unsere Stichprobe stützt sich auf Daten aus zehn EU-Ländern für die Jahre von 2010 bis 2015. Der ROA des Bankensektors in den einzelnen Ländern ist dabei die abhängige Variable. Unseren Ergebnissen zufolge hängt die Rentabilität der Banken vor allem von 9 Für eine genauere Erläuterung vgl. Bathaee (2018). 10 Wir haben die Zahl der KI-Patente normiert (d.h. sie durch die Gesamtzahl der Patente in einem bestimmten Land dividiert), um mögliche Ausreißereffekte wie z.B. eine insgesamt höhere Pa- tentaktivität auszuschließen. DE FR UK NL SE ES IT BE AT DK -0,1 0 0,1 0,2 0,3 0,4 0,5 0,6 20 30 40 50 60 70 Quellen: EZB, OECD, Deutsche Bank Research *Pro 1.000 Patentanmeldungen KI und Rentabilität der Banken: Ein nahezu linearer Zusammenhang 10 Durchschnitt 2010-15, y-Achse: ROA in %, x-Achse: Anzahl der KI-Patente (normiert)* Künstliche Intelligenz im Bankensektor 9 | 4. Juli 2019 EU-Monitor Makrofaktoren wie dem BIP-Wachstum und der Inflation ab. Sie erklären die Un- terschiede bei der Rentabilität zu zwei Dritteln. Bankensektor-spezifische Indika- toren wie das Aufwand-Ertrags-Verhältnis, die (bilanzielle) Eigenkapitalquote und der Umfang der notleidenden Kredite erklären die Veränderungen des ROA zu rund 30%. KI-Patente haben in statistisch signifikantem Umfang positive Aus- wirkungen auf den ROA und erklären die Unterschiede in der Bankenrentabilität zu 7%. Allerdings ist zu berücksichtigen, dass es große Überlappungen zwi- schen Standard-IT-Lösungen und reinen KI-Anwendungen und -Patenten gibt. Patente für Datenspeicher mit großer Kapazität und hoher Geschwindigkeit oder Hochleistungsrechnen wirken sich nicht nur auf KI-Anwendungen, sondern auch auf viele andere Bereiche aus. Insofern lässt sich wohl argumentieren, dass ein positiver Zusammenhang zwischen der Bankenrentabilität und einem höheren Einsatz von KI im Besonderen bzw. von IT-Lösungen im Allgemeinen besteht. Möglicherweise verläuft die Kausalität jedoch auch andersherum: Rentablere Banken investieren mehr in KI. Im Bankensektor hängt der Einsatz von IT je- doch wahrscheinlich eher von der (Kunden-)Nachfrage und nicht unbedingt vom Angebot ab. Angesichts des intensiven Wettbewerbs messen auch nicht profi- table Banken modernen Technologien hohe Priorität bei. Da sich KI auf die Rentabilität der Banken auswirkt, könnte sie den europäischen Banken helfen, eines ihrer größten Probleme der vergangenen Jahre zu lösen: die anhaltend geringe Rentabilität. 11 KI-Technologien können die Arbeitsproduktivität steigern und so die Kosten im Bankensektor strukturell senken. Fazit KI könnte unseren Alltag in mancherlei Hinsicht grundlegend verändern. Insbe- sondere in den USA und China wurde in den vergangenen Jahren viel in KI in- vestiert, die auch zunehmend eingesetzt wird. In Europa ist das Bild uneinheit- lich; einige Länder sind auf dem Gebiet der KI sehr aktiv, andere hinken hinter- her. Angesichts des beträchtlichen Potenzials der neuen Technologien wurden auf europäischer Ebene Maßnahmen ergriffen, um die KI-Aktivität zu steigern. Auch im Finanzsektor könnte KI zu einem grundlegenden Wandel führen. Bis- her wird sie allerdings im Bankensektor nur in moderatem Umfang genutzt. Da- tenschutzvorgaben und die strikte Regulierung im Bankensektor könnten den Einsatz von KI hemmen. Dennoch sollte man nicht unterschätzen, welchen Bei- trag KI gegebenenfalls zur Rentabilität der Banken leisten kann. Der Wettbe- werb im Bankensektor wird immer intensiver – nicht zuletzt dadurch, dass da- tengestützte Finanzdienstleister wie FinTech-Start-Ups und große Technologie- konzerne die traditionellen Geschäftsmodelle der Banken infrage stellen. In ei- nem solchen Umfeld hängt es möglicherweise von einem raschen Einsatz von KI-Technologien ab, ob die Banken konkurrenzfähig bleiben. Orçun Kaya (+49 69 910-31732, orcun.kaya@db.com) 11 Vgl. z.B. Schildbach (2017). 64 29 7 Makrofaktoren Bankensektor-spezifische Indikatoren Proxy für die KI-Nutzung W as erklärt den ROA der Banken in Europa? 11 Quelle: Deutsche Bank Research Unterschiede im ROA zu x% erklärt durch... Ergebnisse der Panel-Regression. Die abhängige Variable ist der halbjährliche ROA des Bankensektors. Erklärende Variablen sind BIP-Wachstum, Inflation, Aufwand-Ertrags- Verhältnis, notleidende Kredite, Eigenkapitalquote, Bilanzsumme der Banken, Anteil der KI-Patente und Jahres-Dummies. Betrachteter Zeitraum: 2010-15. Untersuchte Länder sind Österreich, Belgien, Dänemark, Deutschland, Frankreich, Italien, Spanien, Schweden, die Niederlande und Großbritannien. Künstliche Intelligenz im Bankensektor 10 | 4. Juli 2019 EU-Monitor Literatur Autor, David H. (2015). Why Are There Still So Many Jobs? The History and Fu- ture of Workplace Automation. Journal of Economic Perspectives, 29 (3), 3-30. Bathaee, Yavar (2018). The Artificial Intelligence Black Box and the Failure of Intent and Causation. Harvard Journal of Law & Technology, 31 (2), 889-938. FSB (2017). Artificial intelligence and machine learning in financial services: Market developments and financial stability implications. Humphrey, David B., Magnus Willesson, Göran Bergendahl und Ted Lindblom (2003). Cost Savings from Electronic Payments and ATMs in Europe. FRB of Philadelphia Working Paper No. 03-16. Inaba, Takashi und Mariagrazia Squicciarini (2017). ICT: A new taxonomy based on the international patent classification. OECD Science, Technology and Industry Working Papers, 2017/01. OECD Publishing, Paris. Mai, Heike (2018). Kartenbetrug in Deutschland: Geringer Anteil, aber hohe Kosten. Deutsche Bank Research. Aktueller Kommentar. McCarthy, John, Marvin L. Minsky, Nathaniel Rochester und Claude E. Shannon (1955). A proposal for the Dartmouth summer research project on artificial intelli- gence. Postbank Digitalstudie (2018). Der digitale Deutsche und das Geld. Schildbach, Jan (2017). Where do European banks stand? 10 years after the start of the financial crisis. Deutsche Bank Research. EU-Monitor. WIPO (2019). Künstliche Intelligenz: WIPO Technology Trends. © Copyright 2019. Deutsche Bank AG, Deutsche Bank Research, 60262 Frankfurt am Main, Deutschland. Alle Rechte vorbehalten. Bei Zitaten wird um Quellenangabe „Deutsche Bank Research“ gebeten. Die vorstehenden Angaben stellen keine Anlage-, Rechts- oder Steuerberatung dar. Alle Meinungsaussagen geben die aktuelle Einschätzung des Ver- fassers wieder, die nicht notwendigerweise der Meinung der Deutsche Bank AG oder ihrer assoziierten Unternehmen entspricht. Alle Meinungen kön- nen ohne vorherige Ankündigung geändert werden. Die Meinungen können von Einschätzungen abweichen, die in anderen von der Deutsche Bank veröffentlichten Dokumenten, einschließlich Research-Veröffentlichungen, vertreten werden. Die vorstehenden Angaben werden nur zu Informations- zwecken und ohne vertragliche oder sonstige Verpflichtung zur Verfügung gestellt. Für die Richtigkeit, Vollständigkeit oder Angemessenheit der vorste- henden Angaben oder Einschätzungen wird keine Gewähr übernommen. In Deutschland wird dieser Bericht von Deutsche Bank AG Frankfurt genehmigt und/oder verbreitet, die über eine Erlaubnis zur Erbringung von Bankge- schäften und Finanzdienstleistungen verfügt und unter der Aufsicht der Europäischen Zentralbank (EZB) und der Bundesanstalt für Finanzdienstleis- tungsaufsicht (BaFin) steht. Im Vereinigten Königreich wird dieser Bericht durch Deutsche Bank AG, Filiale London, Mitglied der London Stock Exchange, genehmigt und/oder verbreitet, die von der UK Prudential Regulation Authority (PRA) zugelassen wurde und der eingeschränkten Aufsicht der Financial Conduct Authority (FCA) (unter der Nummer 150018) sowie der PRA unterliegt. In Hongkong wird dieser Bericht durch Deutsche Bank AG, Hong Kong Branch, in Korea durch Deutsche Securities Korea Co. und in Singapur durch Deutsche Bank AG, Singapore Branch, verbreitet. In Japan wird dieser Bericht durch Deutsche Securities Inc. genehmigt und/oder verbreitet. In Australien sollten Privatkunden eine Kopie der betreffenden Produktinformation (Product Disclosure Statement oder PDS) zu jeglichem in diesem Bericht erwähnten Finanzinstrument beziehen und dieses PDS berücksichtigen, bevor sie eine Anlageentscheidung treffen. ISSN (Online): 1612-0264