KI im Finanzwesen
Rexto entwickelt und liefert KI für Finanzunternehmen: Dokumentenintelligenz, Alarm-Triage und Entwurfs-Copiloten, die sich in Ihre bestehenden Systeme einfügen. Sie werden auf einer Infrastruktur bereitgestellt, die Sie selbst kontrollieren, mit dem Audit-Trail, den Ihre Aufsichtsbehörde verlangen wird.
Die aktuelle Lage
Die Systeme, die dieses Jahr in Banken, Versicherern und Vermögensverwaltungen in Produktion gehen, sind keine autonomen Entscheidungsträger. Es sind Extraktions-, Triage- und Entwurfssysteme: Sie ziehen strukturierte Daten aus Kreditakten und KYC-Unterlagen, stufen Alarme nach belegtem Risiko statt nach starren Regeln ein und erstellen einen ersten Entwurf einer Kreditvorlage oder Schadenzusammenfassung, den ein Mensch überarbeitet statt ihn von Grund auf zu verfassen. Jedes dieser Systeme hat einen menschlichen Prüfpunkt, bevor das Ergebnis einen Kunden, ein Hauptbuch oder eine Aufsichtsbehörde erreicht. Dieses Muster zeigt sich gleichermaßen im Banking, in der Versicherung und in der Vermögensverwaltung: Der zugrunde liegende Arbeitsablauf ändert sich nicht, nur wie viel von dessen repetitivem Teil nun ein System übernimmt.
Was noch nicht funktioniert, zumindest nicht ohne erhebliche Vorsicht, ist volle Autonomie bei allem, was fiduziarisches oder regulatorisches Gewicht trägt: ein Modell, das eigenständig einen Kredit genehmigt, ein Versicherungsrisiko ohne Underwriter in der Schleife bepreist, oder unbeaufsichtigt eine Handelsentscheidung trifft. Das ist keine Fähigkeitslücke, die sich mit der nächsten Modellgeneration schließt; es ist eine Governance-Grenze, die die meisten Unternehmen zu Recht ziehen. Die Hochrisiko-Klassifizierung der EU-KI-Verordnung (EU AI Act) für Kreditwürdigkeitsprüfung und Risikobepreisung in der Versicherung existiert genau deshalb, weil eine Fehlentscheidung dort andere Folgen hat als eine falsche Produktempfehlung. Die ehrliche Einschätzung: KI übernimmt die Volumenarbeit, die früher die Woche eines Analysten aufgezehrt hat, nicht die Ermessensentscheidungen, die die Einstellung dieses Analysten überhaupt gerechtfertigt haben.
Die Erfolge in der Produktion liegen im Herausziehen von Daten aus Dokumenten und im Erstellen eines überprüfbaren ersten Entwurfs, nicht darin, dass ein Modell die endgültige Entscheidung trifft.
Die meisten funktionierenden Systeme sitzen im Betrieb, in der Compliance und im Reporting, also der volumenstarken, wenig glamourösen Arbeit, statt in der Entscheidungsfindung im Frontoffice.
Die Systeme, die einer Überprüfung standhalten, stützen sich auf Ihre eigenen Policenbedingungen, Verträge und Einreichungen, nicht auf ein universelles Modell, das aus dem Gedächtnis antwortet.
Jedes System in diesem Abschnitt behält einen Menschen in der Schleife für alles, was einen Kunden, ein Hauptbuch oder eine Aufsichtsbehörde erreicht. Das ist eine bewusste Designentscheidung, keine Einschränkung, die wir zu umgehen versuchen.
Use-Case-Karte
Das höchste Alarmvolumen, und der Prüfprozess existiert bereits: der naheliegende Ausgangspunkt.
Stuft AML-Alarme nach belegtem Risiko statt nach starren Regeln ein, sodass Analysten ihre Zeit auf die Fälle verwenden, die eine Eskalation tatsächlich rechtfertigen, mit einer dokumentierten Begründung zu jeder Weiterleitungsentscheidung.
Extrahiert und prüft Onboarding-Dokumente automatisch gegen Sanktionslisten und Daten zu wirtschaftlich Berechtigten, wodurch sich die Onboarding-Zeit verkürzt, ohne eine Prüfung auszulassen, nach der eine Aufsichtsbehörde später fragen würde.
Stellt Solvency-II-Meldungen direkt aus versicherungsmathematischen und Policensystemen zusammen, mit vollständiger Rückverfolgbarkeit bis zum Ursprungsdatensatz, statt einer Tabelle, die niemand mehr vollständig erklären kann.
Markiert Beratung oder Portfolioänderungen, die außerhalb des dokumentierten Risikoprofils eines Kunden liegen, bevor sie den Kunden erreichen, nicht erst, nachdem eine Compliance-Stichprobe sie Monate später auffängt.
Die volumenstärkste, sich am meisten wiederholende Arbeit in einem Finanzunternehmen, und die für Kunden am wenigsten sichtbare, was sie zum sichersten Ausgangspunkt für Automatisierung macht.
Leitet Erstschadenmeldungen nach Schweregrad und Komplexität weiter, sodass unkomplizierte Schäden direkt in die Schnellbearbeitung gelangen und komplexe Fälle sofort einen erfahrenen Schadenregulierer erreichen, statt in einer gemeinsamen Warteschlange liegen zu bleiben.
Verbindet Kernbanken-, Hauptbuch- und Fallmanagementsysteme zu einer einzigen konsistenten Datenschicht, sodass jedes darauf aufbauende System, ob KI oder nicht, von denselben Fakten ausgeht.
Automatisiert die Abstimmungen und Abweichungsprüfungen, die die letzte Woche jedes Abschlusszyklus auffressen, und markiert echte Ausnahmen, statt eine vollständige manuelle Prüfung jeder Zeile zu erfordern.
Gleicht Transaktionen über Abwicklungs-, Hauptbuch- und Processor-Daten automatisch ab und zeigt nur die Differenzen an, die ein Mensch tatsächlich untersuchen muss.
Wo Unternehmen zu Recht am vorsichtigsten sind, und wo ein an Ihren Richtlinien verankerter Assistent mit klarer Eskalationsgrenze Vertrauen gewinnt, statt es zu verspielen.
Beantwortet routinemäßige Konto- und Produktfragen über einen Assistenten, der auf Ihren tatsächlichen Richtliniendokumenten basiert, und eskaliert alles außerhalb seines Konfidenzschwellenwerts an einen Menschen mit vollständigem Kontext.
Erstellt Portfoliokommentare und Performance-Narrative aus den Daten, die bereits in Ihren Systemen vorhanden sind, und gibt Relationship-Managern jedes Quartal einen geprüften ersten Entwurf statt eines leeren Blattes.
Ermöglicht Vermittlern und Versicherungsnehmern, einfache Fragen zum Versicherungsschutz zu stellen und eine Antwort zu erhalten, die direkt aus dem Policenwortlaut stammt, mit Zitat der Klausel statt einer allgemeinen Zusammenfassung.
Unterstützt Integrations- und Disputfragen von Händlern und Entwicklern mit einem Assistenten, der in Ihre bestehenden Support-Tools eingebettet ist, unterstützt durch einen Ingenieur, der ihn erweitert, sobald neue Grenzfälle auftauchen.
Entwurfs- und Analysearbeit, die schon immer einen Menschen erforderte, der bei einer leeren Vorlage beginnt. Jetzt beginnt sie stattdessen bei einem geprüften Entwurf.
Entwirft erste Kreditvorlagen aus Jahresabschlüssen, Covenant-Daten und bisheriger Risikohistorie und gibt Kreditsachbearbeitern einen strukturierten Ausgangspunkt zum Bearbeiten statt eines leeren Dokuments, das sie von Grund auf schreiben müssen.
Deckt Ausnahmen und Unstimmigkeiten in Prüfungsarbeitspapieren automatisch auf, sodass die Zeit eines Prüfers in Ermessensentscheidungen fließt statt in den zeilenweisen Abgleich.
Extrahiert Mieterlisten- und Covenant-Daten aus Mietverträgen und Servicer-Berichten in einen strukturierten Feed, sodass das Portfolio-Monitoring auf aktuellen Zahlen basiert statt auf einer vierteljährlichen manuellen Aktualisierung.
Erkennt anomale Transaktionsmuster mit einem Modell, das auf Ihre eigenen historischen Betrugsfälle abgestimmt ist, und ist darauf ausgelegt, die Fehlalarme zu minimieren, die die Dispute-Warteschlange jedes großen Zahlungsabwicklers zur Last machen.
Private KI
Die meisten LLM-Produkte sind um eine öffentliche API herum gebaut: Ihre Daten verlassen Ihr Netzwerk, gehen an einen externen Modellanbieter und kommen mit einer Antwort zurück. Für alles, was Kontodaten, KYC-Dokumente, Kreditunterlagen oder nicht-öffentliche Deal-Informationen betrifft, ist das kein Ausgangspunkt, den Ihr Compliance- oder Sicherheitsteam absegnen wird, ganz gleich, wie gut das Modell ist.
Drei regulatorische Rahmenwerke machen das Argument für die Bereitstellung im eigenen Perimeter konkret statt theoretisch. Die EU-KI-Verordnung (EU AI Act) stuft Kreditwürdigkeitsprüfung sowie die Risikobepreisung in der Lebens- und Krankenversicherung gemäß Anhang III als Hochrisiko ein, was Dokumentations-, Aufsichts- und Audit-Trail-Pflichten mit sich bringt, unabhängig davon, wo das Modell läuft. Der Betrieb innerhalb Ihrer eigenen Infrastruktur macht es jedoch deutlich leichter, diese Pflichten zu erfüllen, als sie nach einem Pilotprojekt mit öffentlicher API nachträglich einzubauen. DORA behandelt eine gehostete Modell-API wie jeden anderen Drittanbieter als IKT-Drittparteirisiko, das derselben Prüfung auf operationelle Resilienz und Konzentrationsrisiko unterliegt wie Ihr Kernbanken-Anbieter. Und die DSGVO wirft eine Frage zur grenzüberschreitenden Datenübermittlung auf, sobald personenbezogene Kundendaten oder Kontodaten an einen Modell-Endpunkt außerhalb der EU gelangen, eine Frage, die die meisten Datenschutzbeauftragten lieber nicht beantworten müssten.
Das ist kein pauschales Argument dafür, alles im eigenen Perimeter zu behalten. Manche Workloads profitieren tatsächlich von einem Frontier-Modell hinter einem sorgfältig abgegrenzten, protokollierten API-Aufruf; andere brauchen nicht mehr als ein kleineres Open-Weight-Modell auf Hardware, die Sie bereits besitzen. Zu entscheiden, welches wo zutrifft, gestützt auf eine Evaluation anhand Ihrer eigenen Daten statt einer Benchmark-Bestenliste, ist das erste Ergebnis eines Engagements, kein nachträglicher Gedanke. So oder so liegt die Bereitstellung auf einer Infrastruktur, die Ihr Sicherheitsteam bereits überwacht, nicht auf einem neuen Perimeter, den es erst noch verteidigen lernen muss.
Kreditwürdigkeitsprüfung sowie die Risikobepreisung in der Lebens- und Krankenversicherung fallen gemäß Anhang III als Hochrisiko-Anwendungen; diese Klassifizierung bringt Dokumentations-, Aufsichts- und Audit-Trail-Pflichten mit sich, die sich von Tag eins an weit leichter einbauen lassen, als sie nachträglich zu ergänzen, nachdem eine aufsichtsrechtliche Prüfung die Lücke aufgedeckt hat.
Eine gehostete Modell-API ist ein IKT-Drittparteirisiko wie jeder andere Anbieter auch, das unter DORA derselben Prüfung auf operationelle Resilienz und Konzentrationsrisiko unterliegt. Der Betrieb des Modells innerhalb Ihrer eigenen Infrastruktur entfernt diese Abhängigkeit vollständig aus dem Register.
Das Senden personenbezogener Kundendaten oder Kontodaten an einen Modell-Endpunkt außerhalb der EU wirft eine Frage zur grenzüberschreitenden Übermittlung auf, die Ihr Datenschutzbeauftragter vor dem Go-live stellen wird. Eine Bereitstellung im eigenen Perimeter hält die Daten und die Verarbeitung innerhalb der Jurisdiktion, in der sie sich bereits befinden.
Die meisten Unternehmen verfügen bereits über ein internes Modellrisiko-Framework, das für Pricing- und Kreditmodelle entwickelt wurde. Ein KI-System im eigenen Perimeter wird so gebaut, dass es innerhalb desselben Frameworks lebt: protokolliert, versioniert und überprüfbar, statt zu einem Schatten-System zu werden, das niemand abgesegnet hat.
So starten Sie
Ein zwei- bis dreiwöchiges KI-Strategie- und Readiness-Audit zeigt Ihnen, welche Use Cases Ihre Daten tatsächlich hergeben und welcher regulatorischen Stufe jeder einzelne zuzuordnen ist, bevor jemand Budget in eine Umsetzung steckt.
Die Approach-Seite legt jedes Engagement-Modell sowie dessen Scoping und Preisgestaltung dar, von einem beratenden Engagement bis hin zu einem Forward Deployed Engineer, der innerhalb Ihres Teams arbeitet.
Das erste Produktivsystem läuft innerhalb Ihrer VPC oder On-Premises, mit den Zugriffskontrollen und dem Logging, die Ihr Compliance-Team ohnehin von allem anderen verlangt, was Sie betreiben.
Dokumentenintelligenz, Alarm-Triage und Entwurfs-Copiloten laufen heute bereits in Produktion bei Finanzunternehmen. Das ist keine Spekulation. Was noch reift, ist vollständig autonome Entscheidungsfindung; wir grenzen Engagements anhand dessen ab, was ein Modell heute zuverlässig leisten kann, nicht anhand eines Roadmap-Versprechens.
Ein klar abgegrenztes erstes System, etwa KYC-Dokumentenintelligenz oder AML-Alarm-Triage, erreicht in der Regel innerhalb von 8 bis 12 Wochen einen Produktionspiloten, einschließlich der Compliance-Dokumentation, die Ihr Prüfungsgremium sehen möchte.
Nein. Die meisten Kunden starten mit einem eingebetteten Team im Rahmen eines unserer Engagement-Modelle und bauen interne Kapazitäten erst auf, während das Programm wächst; die Systeme und die Dokumentation werden übergeben, damit Ihr Team sie langfristig ohne uns betreiben kann. Möchte ein Kunde parallel ein eigenes internes Team aufbauen, wird dieser Übergabeplan bereits im ersten Engagement mitgeplant, statt erst nachträglich ergänzt zu werden, sobald der Pilot erfolgreich war.
Bei manchen infrage kommenden Use Cases ist das der Fall: Kreditwürdigkeitsprüfung sowie Risikobepreisung in der Lebens- und Krankenversicherung sind beispielsweise Hochrisiko-Fälle nach Anhang III. Wir ordnen jeden Use Case während des Audits der tatsächlichen Klassifizierung zu, damit Sie die Compliance-Last kennen, bevor Sie sich festlegen, nicht erst danach.
Ja. Das ist in der Regel die anspruchsvollere Hälfte der Arbeit. Wir bauen die Integrationsschicht in Ihre bestehenden Kernbanken-, Schaden- oder Policenverwaltungssysteme ein, statt Sie zu bitten, zunächst auf eine neue Plattform zu migrieren.
In der Regel ein oder zwei Systeme in Produktion, die einen klar definierten Ausschnitt eines volumenstarken Workflows abdecken, etwa eine Alarm-Warteschlange, einen Dokumenten-Intake-Prozess oder eine Reporting-Pipeline. Das zweite und dritte System werden auf Basis dessen abgegrenzt, was das erste bewiesen hat, statt eines unternehmensweiten KI-Rollouts im ersten Jahr.
Ein 30-minütiges Gespräch, um zu skizzieren, wie ein erstes System für Ihre eigenen Daten, Ihre eigenen Systeme und die zutreffende Compliance-Stufe aussehen würde. Keine generische Präsentation, sondern eine ehrliche Einschätzung, was sich zuerst zu bauen lohnt.
30-minütiges Erstgespräch buchen