Insights
Notizen aus dem Aufbau.
Texte über den Aufbau von KI für Finance und die Stellen, die im Produktivbetrieb gern schiefgehen.
Field Guide
KI-Architektur für Finance
Retrieval, Agenten und Evaluation, entworfen entlang der Anforderungen, die Finance stellt.
LesenField Guide
Die Finanzdatenebene
Point-in-time-Korrektheit, Lineage und Entity Resolution, die Ebene, die die meisten Projekte überspringen und dann bereuen.
LesenField Guide
KI-Governance & Compliance im Finance-Bereich
Der EU AI Act, Model Risk Management und aufsichtsrechtliche Erwartungen, übersetzt in Engineering, das Sie ausliefern können.
LesenField Guide
KI-Finanzmodellierung & Automatisierung
Forecasting, Abweichungserklärung und Dokumentenextraktion, eingebunden in den Workflow, den Ihr Team ohnehin fährt.
LesenField Guide
KI gegen Betrug & Finanzkriminalität
Echtzeit-Betrugsscoring, AML-Alert-Triage und KYB-/Sanktionsprüfung, gebaut, um einem Modellprüfer und einem False-Positive-Budget standzuhalten.
LesenField Guide
KI-Automatisierung im Finanzbetrieb
Abstimmung, Kreditoren/Debitoren, Rechnungsverarbeitung und Monatsabschluss, automatisiert mit einem Review-Pfad, den das Finanzteam wirklich freigeben kann.
LesenField Guide
KI für Kredit- & Lending-Betrieb
Cash-Flow-Underwriting, Decision Engines und CI/CD für Kreditpolitik, governte ML-Entscheidungen ohne Data-Science-Armee.
LesenField Guide
KI für Treasury & Payments
Cash-Transparenz, Liquiditätsprognose und Zahlungsbetrieb, gebaut auf ISO-20022-Daten, Bank-APIs und Instant-Rails.
LesenField Guide
Private KI & selbst gehostete LLMs
Sprachmodelle auf eigener Infrastruktur betreiben: Hardware, Modellauswahl, RAG, Sicherheit und die Kostenrechnung.
LesenKI-Deployments im Air Gap
Was ein echter Air Gap verlangt: kontrollierter Modelltransfer, Offline-RAG, Monitoring ohne Anbieter-Telemetrie und die versteckten Abhängigkeiten, die Offline-Stacks brechen.
LesenFine-Tuning oder RAG für private Daten
Eine Entscheidungsreihenfolge für private Unternehmensdaten: wann Retrieval gewinnt, wann Fine-Tuning gewinnt, was LoRA ändert und zu welchen Wartungskosten jede Wahl verpflichtet.
GPU-Beschaffung für private KI
Kaufen, leasen oder mieten: Marktpreise und Mietbenchmarks für 2026, der Auslastungspunkt, der die Entscheidung trägt, und die Strom-, Lieferzeit- und Vertragsrisiken hinter dem Angebot.
LLM-Evaluation und Observability auf privater Infrastruktur
Selbst gehostete Eval-Harnesses, Prompt-Regressionstests und Tracing im OpenTelemetry-Format für Teams, deren Prompts und Completions kein SaaS-Backend erreichen dürfen.
Härtung eines selbst gehosteten LLM-Stacks
Fünf Ebenen entscheiden, ob ein privates LLM-Deployment die Prüfung übersteht: Prompt-Isolation, Herkunft der Gewichte, Container-Isolation, Umgang mit Secrets und Audit-Logging.
Hardware für On-Prem-LLM-Inferenz dimensionieren
VRAM-Rechnung, Quantisierungs-Trade-offs, GPU-Klassen von L40S bis B200 und Durchsatzschätzung für On-Premises-Inferenz, inklusive der Fälle, in denen CPU reicht.
Open-Weight-Modelle auswählen im Jahr 2026
Llama 4, Qwen 3, DeepSeek, Mistral und gpt-oss im Vergleich nach Lizenzbedingungen, Hardwarebedarf und Aufgabenpassung, mit einer Evaluationsmethode, die den Einkauf übersteht.
Private KI gegen API: der tatsächliche Kostenumschlagpunkt
Der Break-even für selbst gehostete LLMs liegt weit höher, als die meisten Teams annehmen. Die veröffentlichten Schwellen für 2026, die versteckten Kosten, die sie verschieben, und wann stattdessen der Datenschutz entscheidet.
Private KI in Bau- und Industrieunternehmen
Warum Angebotskalkulation, RFIs und Sicherheitsakten Bauunternehmen zu privater KI drängen, welche Abläufe sich zuerst rechnen und was die ROI-Belege für 2026 tatsächlich hergeben.
Architektur für private LLM-Deployments
On-Premises, private VPC und hybride Topologien im Vergleich: Referenzstack nach Schichten, Mandantenfähigkeit und die Kriterien, die über den Bau entscheiden.
RAG auf privater Infrastruktur
Ein tragfähiger Referenzstack für selbst gehostetes Retrieval: Wahl des Vector Stores, private Embeddings, Chunking, hybride Suche, berechtigungsbewusste Filterung und Evaluation.
Was souveräne KI über Datenlokalisierung hinaus verlangt
Lokalisierung, Souveränität und operative Souveränität sind drei verschiedene Zusagen. Was DSGVO, KI-Verordnung und Beschaffung am Golf tatsächlich fordern und woran Anbieterzusagen scheitern.
MCP-Server für Finanzdaten
Banken und Fintechs liefern MCP-Server für Banking-, Markt- und Compliance-Daten aus. Die Architektur, Autorisierung und Governance, die ein Audit überstehen.
Spreadsheet-Agenten in der Finanzmodellierung
Excels Agent Mode baut und bearbeitet Modelle jetzt direkt im Workbook. Was er beschleunigt, wie er scheitert und welche Kontrollen ein Finance-Team verlangen sollte.
Kontrollen für agenteninitiierte Zahlungen
KI-Agenten beginnen, Dinge zu bezahlen. Was AP2-Mandate und Verifiable Credentials für Händlerrisiko, Issuer-Kontrollen und Streitbeweise bedeuten.
KI-generierte Dokumente erkennen, bevor sie durchgehen
Gefälschte Kontoauszüge, Gehaltsabrechnungen und Rechnungen überstehen inzwischen die Sichtprüfung. Eine gestaffelte Abwehr: Datei-Forensik, Konsistenzprüfungen, externe Verifikation.
KI am Trading Desk: ESMA hebt die Beweislatte
Das ESMA-Aufsichtsbriefing vom Februar 2026 bündelt die Prüfung von algorithmischem und KI-gestütztem Handel. Institute müssen Kontrollen nun im Livehandel belegen.
Klimarisiko in PD- und LGD-Modellen
Aufsichtsbehörden erwarten Klimarisiko inzwischen in PD- und LGD-Modellen, nicht daneben. Die Transmissionskanäle, Szenariomechanik und Overlays, die standhalten.
KI-Anbieterverträge nach der Haftungsrichtlinie
Die KI-Haftungsrichtlinie ist zurückgezogen. Die revidierte Produkthaftungsrichtlinie, der AI Act und DORA entscheiden nun, wie KI-Risiko in Anbieterverträgen der Finanzbranche verteilt wird.
PSD3 und die PSR: was vor Geltungsbeginn zu bauen ist
Das EU-Zahlungsverkehrspaket ist verhandelt, aber noch nicht in Kraft. Was das Anwendungsfenster 2028 für Empfängerprüfung, Betrugserstattung und SCA bedeutet.
US-KI-Vorgaben für Finanzinstitute, Stand Mitte 2026
SR 26-2 hat SR 11-7 abgelöst und generative KI aus dem Modellrisiko herausgeschnitten. Treasury, SEC und Colorado füllen die Lücke. So kartiert man das mehrschichtige US-Regime.
Verrechnungspreisdokumentation als Datenpipeline
Master File, Local File und CbCR teilen sich inzwischen Inputs mit Pillar Two. Warum die Automatisierung der Verrechnungspreisdokumentation zur Compliance-Orchestrierung wird, nicht zum Schreiben.
Der Digital Omnibus und der neue Zeitplan der EU-KI-Verordnung
Der Digital Omnibus verschiebt die Hochrisiko-Pflichten nach Anhang III auf Dezember 2027. Was jetzt gilt, was warten kann und was Finance-Teams weiterbauen sollten.
Leasingbilanzierung: die Daten extrahieren, die sie antreiben
IFRS 16 und ASC 842 laufen auf Konditionen, die in unstrukturierten Verträgen vergraben sind. Wie Lease Abstraction, Neubewertung und Evidenzketten in der Praxis zusammenhalten.
Agentische Orchestrierung des Monatsabschlusses
Close-Agenten werden als autonome Buchhalter verkauft. Die glaubwürdige Version ist ein Orchestrator, der Aufgaben sequenziert, Entwürfe erstellt und an Freigabe-Gates stoppt.
Automatisierte Abweichungsanalyse, die der Prüfung standhält
KI-Flux-Tools erkennen inzwischen Abweichungen, finden Treiber und entwerfen Kommentare. Was prüfungsfeste Erklärungen von generiertem Füllmaterial im Abschlusspaket unterscheidet.
CSRD-Reporting-Automatisierung nach Omnibus I
Omnibus I hat den CSRD-Anwendungsbereich verengt und die ESRS-Datenpunkte um über 60% gekürzt. Was das für Datenpipelines, KI-Drafting und prüfungsfähiges Reporting bedeutet.
Konsolidierung automatisieren, ohne die Kontrolle zu verlieren
Intercompany-Eliminierungen, Beteiligungs-Rollups und Währungsumrechnung laufen in vielen Konzernen noch über Tabellen. Wo Automatisierung trägt und wo sie bricht.
KI-gestütztes XBRL-Tagging, das dem Review standhält
KI-Tagger können ein iXBRL-Dokument in Minuten vortaggen, doch SEC- und ESEF-Einreichungen scheitern weiter an Semantik, Extensions und Validierung. Der Workflow, der trägt.
E-Rechnungspflichten sind ein Architekturwechsel in der Kreditorenbuchhaltung
Die deutsche B2B-E-Rechnungspflicht macht aus dem Rechnungseingang eine strukturierte Datenaufnahme. Was das für Erfassung, Kontierung und Ausnahmebehandlung in der Kreditorenbuchhaltung bedeutet.
SEPA Instant als Betriebsmodell führen
SEPA Instant ist ein 24/7-Liquiditäts- und Kontrollproblem mit Payments-Abzeichen. Prefunding, 10-Sekunden-Budgets und Echtzeit-Risiko für die Always-on-Rail.
Payment Orchestration und Smart Routing
Jede Transaktion nach Genehmigungswahrscheinlichkeit, Kosten und FX über Acquirer zu routen macht Payments zu einem Entscheidungsproblem. Was die Schicht leistet und wann sie sich rechnet.
Stablecoin-Settlement für Corporate Treasury
GENIUS und MiCA haben Stablecoins zu regulierten Settlement-Rails gemacht. Wo sie in einen Treasury-Stack passen, und welche Accounting- und Custody-Fallen bleiben.
Bankanbindung: APIs versus Dateien
Premium-Bank-APIs haben SFTP, EBICS und SWIFT FileAct nicht abgelöst. Wie man Treasury-Flüsse nach Latenz, Kontrolle und Volumen auf Kanäle aufteilt.
Verification of Payee: den Rollout überstehen
EU-VoP ist seit Oktober 2025 für PSPs im Euroraum live. Was der Namensabgleich von Matching-Engines, Corporate-Sammeldateien und Stammdaten tatsächlich verlangt.
Virtuelle Konten und die In-House Bank
Virtuelle Konten zentralisieren Cash und erhalten zugleich die Zuordnung auf Entitätsebene. Wo sie physische Konten schlagen, und wo sie eine Komplexitätsschicht hinzufügen.
FX-Exposure-Management automatisieren
Die meiste FX-Automatisierung scheitert an den Exposure-Daten, nicht am Hedging. Wie man Register, Netting und Policy-Prüfungen aufbaut, bevor KI in die Nähe eines Trade-Tickets kommt.
Intraday-Liquiditätsprognose in der Praxis
End-of-Day-Cash-Forecasts verfehlen die Stunden, in denen Funding-Probleme tatsächlich entstehen. Wie man Intraday-Positionen nowcastet und jede Prognose mit einer Aktion verdrahtet.
Payment-Repair-Automatisierung, die die Queue leert
Repair-Queues wachsen, weil Exceptions schneller entstehen, als Menschen sie abarbeiten. Wie eine Repair-Schicht aus Regeln plus ML Fehler klassifiziert, Daten anreichert und die STP-Quote hebt.
ISO-20022-Daten nach der Migration
Der CBPR+-Umstieg endete im November 2025. Der Ertrag entsteht jetzt daraus, strukturierte Zahlungsdaten für Reconciliation, Exceptions und Analytics zu nutzen.
KI-Intake für gewerbliche Underwriting-Submissions
Broker-Submissions kommen als E-Mail-Threads mit Anhängen an. Wie Intake-KI strukturierte Submission-Objekte, Triage-Queues und Appetite-Scores aufbaut.
KI-Monitoring für Private-Credit-Portfolios
Private Credit hat die Marke von 2 Billionen Dollar überschritten, das Monitoring blieb in Spreadsheets. Wo KI bei Ingestion, Covenants, Marks und Frühwarnsignalen hilft.
Compliance-Leitplanken für KI im Forderungsinkasso
Inkasso ist der Punkt, an dem Automatisierung auf die strengsten Conduct-Regeln trifft. So bauen wir Kontakt- und Treatment-Automatisierung, die innerhalb dieser Regeln bleibt.
Dynamisches Kreditlinien-Management mit ML
Ein statisches Limit ist schon am Tag nach der Festlegung falsch. So bauen wir Modelle für Linienerhöhung und -senkung, die innerhalb von Leistbarkeit und Conduct-Regeln bleiben.
Erklärbare Ablehnungsgründe im großen Maßstab erzeugen
Jede Ablehnung schuldet einen konkreten, korrekten Grund. So erzeugen wir ECOA-konforme Ablehnungsgründe aus komplexen Modellen – nachprüfbar.
Risikobasierte Kreditbepreisung mit ML
Wer nach Risiko bepreist, muss beweisen, dass der Preis fair und erklärbar ist. So bauen wir risikobasierte Bepreisung, die eine Fair-Lending-Prüfung übersteht.
Fair-Lending-Monitoring im Produktivbetrieb
Fairness bei der Kreditvergabe ist kein einmaliger Launch-Test, den man besteht. Hier beschreiben wir das Produktiv-Monitoring, mit dem eine Drift in Richtung Disparate Impact frühzeitig erkannt wird.
Automatisierte Verarbeitung von Kreditunterlagen
Eine Kreditakte ist ein Stapel Dokumente, die miteinander übereinstimmen müssen. So bauen wir die Extraktion, Validierung und Abgleich-Automatisierung.
Frühwarnsignale für ein Kreditportfolio
Der beste Zeitpunkt, auf einen sich verschlechternden Kredit zu reagieren, ist bevor er in Verzug gerät. So bauen wir Frühwarnsignale aus Verhalten und externen Daten.
Reject Inference verantwortungsvoll umgesetzt
Sie sehen die Rückzahlung nur für die Kredite, die Sie genehmigt haben. So gehen wir mit Reject Inference um, ohne uns über die tatsächliche Modellleistung selbst zu täuschen.
Inkasso-Strategie mit ML optimieren
Nicht jedes überfällige Konto braucht denselben Anruf. So priorisieren und individualisieren wir das Inkasso, ohne die Wohlverhaltensregeln zu verletzen.
Automatisierte Überwachung von Kreditauflagen
Covenant-Verletzungen passieren still zwischen den Berichtsstichtagen. So extrahieren, verfolgen und testen wir Auflagen, damit ein Bruch erkannt wird, sobald er eintritt.
Open-Banking-Daten aggregieren, auf denen man bauen kann
Aggregierte Bankdaten sind über Anbieter und Formate hinweg inkonsistent. So bauen wir die Normalisierungs- und Anreicherungsschicht, bevor ein Modell sie sieht.
Financial Spreading für die KMU-Kreditvergabe automatisieren
KMU-Zahlenwerke manuell aufzubereiten ist langsam und uneinheitlich. Hier ist die Extraktions- und Normalisierungs-Pipeline, die wir bauen, um die Zahlen zu standardisieren.
Intelligent Document Processing im Finanzwesen, durchgängig gedacht
IDP ist mehr als OCR. Hier ist die Pipeline aus Klassifizieren, Extrahieren, Validieren und Routen, die wir bauen, damit Finanzdokumente ohne Erfassungsteam fließen.
Eine Engine zur Transaktionskategorisierung aufbauen
Die Kategorisierung von Transaktionen speist Budgetierung, Underwriting und Abstimmung gleichermaßen. Hier sind das Modell und der Feedback-Loop, die wir für treffsichere Kategorien bauen.
Prüfungsnachweise und Arbeitspapiere automatisieren
Eine Prüfung ist Nachweiserhebung im großen Maßstab. So automatisieren wir Stichproben, Tie-outs und Arbeitspapiere, mit einem Prüfpfad, dem ein Reviewer vertraut.
Umsatzrealisierung nach ASC 606 automatisieren
Rev Rec verwandelt unübersichtliche Verträge unter strengen Regeln in geplanten Umsatz. Hier extrahiert KI die Vertragskonditionen – und hier muss ein Controller weiterhin entscheiden.
Abonnement- und nutzungsbasierte Abrechnung automatisieren
Usage Billing bricht an Proration, Upgrades und Disputes. So bauen wir die Abrechnungs- und Abstimmungs-Automatisierung, damit der Umsatz aufgeht.
KI für Treasury-Cash-Positioning und Forecasting
Ein Treasurer braucht die Cash-Position von morgen, nicht die vom letzten Monat. Hier ist die Kategorisierung und das Kurzfrist-Forecasting, das wir für das Treasury bauen.
Anlagenbuchhaltung automatisieren
Anlagevermögen bringt Abschreibungen, Abgänge und Wertminderungen mit sich, die niemand von Hand nachhalten will. So automatisieren wir das Anlagen-Nebenbuch mit eingebautem Prüfpfad.
Ausnahmefälle im Payment-Operations automatisieren
Zahlungen laufen durch – bis sie es nicht tun, und die Ausnahmefälle fressen das Team auf. So triagieren wir Returns, Repairs und Abweichungen mit einem Review-Pfad.
Ausgabenkontrollen und Freigabe-Routing mit KI
Freigabeketten sind der Ort, an dem die Ausgabenrichtlinie auf die Realität trifft. So automatisieren wir das Routing und setzen Kontrollen durch, ohne das Geschäft auszubremsen.
Lieferanten- und Kundenstammdaten mit KI bereinigen
Doppelte und abweichende Stammdatensätze verursachen Doppelzahlungen und fehlgeschlagene Abgleiche. Hier ist der Entity-Resolution-Ansatz, mit dem wir sie bereinigen.
Bestellungen durchgängig automatisieren
Die Bestellung ist der Punkt, an dem Ausgaben kontrolliert werden oder verloren gehen. Die Automatisierung von Bedarf, Freigabe und Abgleich, die skaliert.
Die Steuerrückstellung mit KI-Unterstützung automatisieren
Die Steuerrückstellung ist unter Termindruck vor allem Abstimmung und Klassifizierung. Wo KI den Prozess verkürzt und wo ein Sachbearbeiter verantwortlich bleibt.
Lieferanten-Onboarding und -Verifizierung automatisieren
Einen Lieferanten aufzunehmen bedeutet Verifizierung, Steuerformulare und Bankdaten – genau die Angriffsfläche für Betrüger. Hier sind die Automatisierung und Kontrollen, die wir darum herum aufbauen.
Verhaltensbiometrie für kontinuierliche Authentifizierung
Ein Passwort beweist, wer sich angemeldet hat – nicht, wer gerade tippt. So nutzen wir Verhaltensbiometrie für eine kontinuierliche, datenschutzbewusste Authentifizierung.
Transaktionsüberwachung für Krypto- und Stablecoin-Ströme
On-Chain-Daten sind öffentlich und ungewohnt. So bauen wir eine Überwachung, die Chain-Analytics mit Ihren Kunden und Ihren Meldepflichten verknüpft.
First-Party- vs. Third-Party-Betrug: warum die Trennung entscheidend ist
Derselbe Verlust sieht je nach Verursacher völlig anders aus. Warum die Trennung von First-Party- und Third-Party-Betrug das Modell und die Behandlung verändert.
Contract Intelligence für Einkauf und Finanzwesen
Pflichten, Verlängerungen und Preisklauseln verstecken sich in PDFs, die niemand ein zweites Mal liest. Hier ist die Extraktions- und Monitoring-Schicht, die wir über ein Vertragsportfolio legen.
Adverse-Media-Screening, das den Lärm herausfiltert
Reines Namens-Matching beim Adverse-Media-Screening begräbt Analysten unter irrelevanten Treffern. So machen Entity Resolution und Relevanz-Scoring das Verfahren wieder brauchbar.
Graph-Embeddings für Geldwäschebekämpfung und Betrug
Handgebaute Graph-Features übersehen Muster, die Embeddings lernen können. So nutzen wir Graph Representation Learning für AML, ohne die Erklärbarkeit zu verlieren.
Perpetual KYC: laufende Kundensorgfaltspflicht automatisieren
Periodische KYC-Reviews sind eine Backlog-Maschine. So gelingt der Wechsel zu ereignisgetriebenem, perpetuellem KYC mit einem menschlichen Prüfpfad für echte Veränderungen.
Chargeback- und Dispute-Bearbeitung automatisieren
Disputes sind in der Masse ein Dokumenten- und Nachweisproblem. Hier ist der Extraktions-, Nachweisaufbereitungs- und Ergebnisprognose-Workflow, den wir für Disputes bauen.
Friendly Fraud und Rückerstattungsmissbrauch erkennen
Friendly Fraud sieht aus wie ein echter Kunde, weil es einer ist. So trennen wir berechtigte Streitfälle von Missbrauch, ohne gute Kunden zu bestrafen.
Velocity-Rules und Rate-Limiting im Fraud, richtig gemacht
Velocity-Rules sind die älteste Fraud-Kontrolle und die, bei der man am leichtesten danebengreift. So justieren wir sie gegen ein False-Positive-Budget, gemeinsam mit Modellen.
Risk-Scoring von Händlern beim Onboarding
Ein heute freigegebener schlechter Händler bedeutet morgen Chargebacks und Geldwäsche. Das sind die Daten und das Scoring, die wir für das Onboarding bei Acquirern und PSPs bauen.
Geldwäsche-Mule-Konten erkennen
Mule-Konten wirken völlig unauffällig, bis das Geld durch sie hindurchfließt. Hier sind die Verhaltens- und Netzwerksignale, mit denen wir sie vor der Auszahlung aufspüren.
Betrug und autorisierte Push-Payment-Fraud erkennen
Bei APP-Betrug autorisiert die Kundin die Zahlung selbst. So bewerten wir Absichts- und Manipulationssignale, um einzugreifen, ohne legitime Überweisungen zu blockieren.
Transaction Laundering im Zahlungsverkehr erkennen
Beim Transaction Laundering verstecken sich illegale Umsätze in einem legitimen Händlerkonto. Hier sind die Signale und Modelle, mit denen wir es sichtbar machen.
Opex- und Personalplanung mit KI
Personalkosten machen den Großteil der Opex aus und sind die am schwersten planbare Zeile. So bauen wir treiberbasierte Personal- und Opex-Pläne, die mit der Einstellungsrealität mitwachsen.
Umsatz- und Nachfrageprognose für operative Unternehmen
Umsatz zerfällt in Hunderte kleiner Zeitreihen mit jeweils eigenen Treibern. Hier ist der hierarchische, treiberbewusste Prognoseansatz, den wir für operative Finanzteams bauen.
Betrugsringe mit Graph-Netzwerken aufdecken
Transaktionsbezogenes Scoring übersieht koordinierten Betrug, weil das Signal in den Verbindungen zwischen Konten steckt. Wie wir Graph-Features und GNNs nutzen, um die Ringe sichtbar zu machen.
Working Capital mit ML optimieren
In Forderungen und Beständen gebundenes Kapital ist teuer. So modellieren wir DSO, DPO und Bestände, um Working Capital freizusetzen.
Tabellenmodelle mit LLMs prüfen
Fehler in Tabellenkalkulationen verstecken sich in aller Öffentlichkeit. So markieren Modelle defekte Verweise, inkonsistente Logik und hartcodierte Werte.
Preis- und Gebührenoptimierung mit ML, im Rahmen der Regeln
Pricing ist zugleich ein Modell und eine Compliance-Fläche. So optimieren wir Gebühren und Zinssätze, ohne die Grenzen fairer Preisgestaltung zu verlassen.
KI-Unterstützung für Zero-Based Budgeting
Zero-Based Budgeting ist gründlich und kräftezehrend. Genau hier übernimmt KI das Zusammentragen und die Analyse, während die Verantwortlichen die Entscheidungen behalten.
Anomalieerkennung im Financial Close
Eine falsche Zahl, die erst nach dem Abschluss auffällt, ist teuer. Hier ist die Anomalieerkennung, die wir in den Close einbauen, um sie vor der Freigabe abzufangen.
Kohorten- und Retention-Analytics mit KI-Unterstützung
Durchschnitte verbergen, was Kohorten offenlegen. So bauen wir Kohorten- und Retention-Analysen, die erklären, warum sich ein Jahrgang so verhält, wie er sich verhält.
Narrative Finanzberichterstattung automatisieren
Die Zahlen stehen, aber der Kommentar frisst den ganzen Nachmittag. So erzeugen wir fundierte, prüfbare narrative Berichte, die ihre Zahlen belegen.
Churn-Prediction, mit der ein Fintech tatsächlich arbeiten kann
Ein Churn-Score, auf den niemand reagiert, ist bloß ein Dashboard. So bauen wir Churn-Modelle, die an Interventionen gekoppelt und an echter Retention gemessen werden.
Customer-Lifetime-Value-Modellierung für Fintechs
Der LTV steuert Akquisebudgets und Kreditlinien gleichermaßen. So bauen wir LTV-Modelle, die auch dann tragen, wenn sich Kohorte und Konjunktur bewegen.
Treiberbasierte Planung automatisieren mit KI
Ein Plan ist eine Menge von Treibern, keine Tabelle voller fest verdrahteter Werte. So automatisieren wir treiberbasierte Planung, damit die Prognose sich mit der Realität aktualisiert.
KI-gestützte Szenario- und Stresstests
Stresstests sind Urteilsvermögen plus Mechanik. Hier beschleunigt KI die Szenariogenerierung und -analyse, während ein Mensch die Annahmen verantwortet.
KI-Incident-Postmortems im Finanzsektor durchführen
Ein Modell-Incident ohne Postmortem ist ein Incident, den Sie wiederholen werden. Hier ist der schuldfreie Postmortem-Prozess, den wir für KI-Fehler im Finanzsektor fahren.
Consumer Duty und KI im britischen Finanzsektor
Die Consumer Duty der FCA verändert, was eine KI-gestützte Entscheidung nachweisen können muss. So entwickeln wir Systeme, die gute Ergebnisse und faire Preis-Leistung liefern.
Time-Series-Foundation-Models für die Finanzprognose
Vortrainierte Forecaster versprechen Zero-Shot-Genauigkeit. Hier lesen Sie, wo sie klassische Modelle auf Finanzreihen schlagen und wo eine getunte Baseline weiterhin gewinnt.
Ein Operating Model für KI-Governance im Finance-Team
Governance scheitert, wenn sie ein Gremium ohne Verkabelung ist. Hier ist das Operating Model mit Rollen und Gates, das wir Finance-Teams rund um KI aufsetzen helfen.
KI-Anbieter-Due-Diligence: die Fragen, auf die es ankommt
Wer einen KI-Anbieter einkauft, importiert dessen Modellrisiko ins eigene Haus. Hier ist die Due-Diligence-Checkliste, die wir nutzen, bevor ein Finanzteam unterschreibt.
DSGVO und automatisierte Entscheidungen in der Finanz-KI
Artikel 22 und das Recht auf Erklärung bestimmen, was ein Finanzmodell allein entscheiden darf. So bauen wir es technisch um, ohne den Workflow auszubremsen.
Menschliche Aufsicht für Hochrisiko-KI gestalten
Der EU AI Act verlangt wirksame menschliche Aufsicht, keinen Gummistempel. So gestalten wir Prüfpunkte, die ein Mensch tatsächlich wahrnehmen kann.
Wenn das Dokument zum Angreifer wird: RAG im Finanzbereich absichern
Der Abruf zieht halb vertrauenswürdige Berichte und E-Mails direkt in den Prompt. So behandeln wir Inhalte als unsicher und bauen mehrschichtige Verteidigung auf.
Ein Bias-Audit-Workflow für Kreditvergabemodelle
Disparate-Impact-Tests, die Suche nach der weniger diskriminierenden Alternative und Produktionsmonitoring: der Fairness-Workflow, den wir für Kreditmodelle betreiben.
Technische Dokumentation nach EU AI Act, die einer Prüfung standhält
Eine Einstufung als hochriskant bedeutet ein Dokumentationspaket, keine Folie. Hier steht, was Anhang IV tatsächlich verlangt und wie wir es als Engineering-Nachweis aufbauen.
Model Cards, die der Finance-Governance wirklich helfen
Eine Model Card ist Dokumentation, mit der ein Prüfer arbeiten kann – kein Marketing. Hier steht, was wir für ein Finanzmodell darauf festhalten und warum sich jedes Feld seinen Platz verdient.
Audit-Trails, die Finanz-KI reproduzierbar machen
Wenn ein Prüfer fragt, warum das Modell so entschieden hat, müssen Sie die Entscheidung exakt rekonstruieren können. Hier ist das Logging und Versioning, das eine Entscheidung reproduzierbar macht.
Red Teaming von KI-Systemen in Finanzdienstleistungen
Angreifer testen Finanz-KI auf Jailbreaks, Datenlecks und verzerrte Ausgaben. So führen wir Red Teaming an einem System durch, bevor es ein Angreifer oder ein Prüfer tut.
Schatten-KI: die Tools regulieren, die Ihre Mitarbeitenden längst nutzen
Ihr Team fügt Daten in Chatbots ein, ob Sie es freigegeben haben oder nicht. Hier sind die Nutzungsrichtlinie und die Kontrollen, die wir mit Finanzunternehmen darum herum aufbauen.
Kontinuierliches Modell-Monitoring, das einer Aufsicht standhält
Eine jährliche Revalidierung genügt nicht für ein Modell, das wöchentlich driftet. Hier ist das Monitoring, das Alerting und der Nachweispfad, den wir für beaufsichtigte Finanzmodelle aufbauen.
Data Observability für Finanz-KI
Ein defekter Feed zeigt sich als falsche Antwort drei Schichten weiter unten. Hier ist das Freshness-, Volumen- und Schema-Monitoring, das wir auf Finanzdaten legen.
DORA-Incident-Response, wenn die KI das IKT-Risiko ist
Unter DORA ist ein KI-Ausfall ein IKT-Vorfall mit laufenden Meldefristen. Hier ist der Workflow für Erkennung, Klassifizierung und Meldung, den wir für KI-Systeme aufbauen.
Einen Golden Customer Record für Finance-KI aufbauen
Jedes System hält nur eine Teilsicht auf denselben Kunden. Hier ist der Ansatz aus Entity Resolution und Survivorship, mit dem wir einen einzigen vertrauenswürdigen Datensatz aufbauen.
Aufbau eines KI-Modellinventars und einer Model Registry
Man kann nicht steuern, was man nicht auflisten kann. Hier sind das Modellinventar, die Registry und die Metadaten, die wir aufbauen, damit Risiko und Revision jedes Modell in Produktion sehen.
Chunking-Strategien für Finanzdokumente
Naives Chunking trennt eine Tabelle von ihrer Kopfzeile und einen Covenant von seiner Klausel. So chunken wir Geschäftsberichte, Verträge und Abschlüsse, damit das Retrieval kohärent bleibt.
Embeddings versionieren und ohne Downtime neu indizieren
Ändern Sie das Embedding-Modell, und jeder gespeicherte Vektor ist veraltet. So versionieren wir Embeddings und indizieren einen Finanzkorpus neu, ohne das Retrieval zu zerstören.
Feature-Drift überwachen, bevor er das Modell zerlegt
Modelle versagen lautlos, wenn sich ihre Inputs verschieben. Hier ist das Drift-Monitoring auf Feature-Ebene, das wir einbauen, damit Sie es bemerken, bevor der Output falsch wird.
Die BaFin liest KI jetzt als IKT-Risiko: Was DORA von Ihren Modellen verlangt
Die BaFin-Orientierungshilfe vom Dezember 2025 ordnet KI dem IKT-Risikoregime der DORA zu, nicht einem separaten Ethik-Ressort. Was das für Register, Vorfälle und Tests bedeutet.
Ein Data Catalog, damit Finance-KI die richtige Tabelle findet
Modelle sind nur so gut wie die Daten, die Teams finden und denen sie vertrauen können. Hier ist die Catalog-, Metadaten- und Discovery-Schicht, die wir für Finance-KI bauen.
Warum KI im Finanzwesen zuerst die Datenebene braucht
Das Modell ist der einfache Teil. Dass KI-Projekte im Finanzbereich ins Stocken geraten, liegt fast immer an den Daten darunter. So gehen wir es an.
PII-Redaction und DLP für Finanz-KI
Kundendaten fließen zum Modell – ob eingeplant oder nicht. Das ist die Redaction-, Tokenisierungs- und DLP-Schicht, die wir bauen, damit nichts nach außen dringt.
Stammdaten-Management für Finanz-KI
Währungen, Kalender, Instrumente und Codes sind das stille Rückgrat jedes Modells. So verwalten wir Stammdaten, damit nichts unbemerkt driftet.
Change Data Capture für Finanz-KI-Pipelines
Quellsysteme immer wieder neu abzufragen ist langsam und verlustbehaftet. So nutzen wir Change Data Capture, um Features und Retrieval aktuell zu halten, ohne das Ledger zu überlasten.
Ein Semantic Layer, damit KI Ihre Finanzkennzahlen spricht
Fragen Sie zwei Systeme nach dem Umsatz und erhalten Sie zwei Zahlen. So gibt ein Governance-gestützter Semantic Layer Modellen und Agenten eine einzige Definition jeder Kennzahl.
Synthetische Daten in der Finanz-KI – mit der nötigen Vorsicht
Synthetische Daten können Lücken füllen und zugleich Realität durchsickern lassen. Wo wir sie für Finanzmodelle einsetzen und mit welchen Tests wir sie ehrlich halten.
Batch oder Echtzeit? Inferenzmuster für Finanz-KI
Nicht jeder Score muss zum Zeitpunkt der Anfrage berechnet werden. So trennen wir Batch-Vorberechnung von Echtzeit-Inferenz, um Kosten- und Latenzziele zu treffen.
Data Contracts für Finance-KI-Pipelines
Eine stille Schemaänderung upstream bringt ein Modell downstream zum Kippen. So machen wir mit Data Contracts Finanzdaten-Feeds sicher genug, um darauf KI zu bauen.
Function Calling in Finanz-Workflows zuverlässig machen
Ein Modell, das das falsche Tool mit den falschen Argumenten aufruft, ist ein Produktionsvorfall. So machen wir Function Calling in Finanzsystemen verlässlich.
Auswahl eines Vector Stores für Finanzdokumente
Die Vektordatenbank entscheidet nicht über Erfolg oder Scheitern Ihres Projekts, aber die falsche Wahl treibt Latenz und Kosten in die Höhe. So wählen wir sie für die Finanz-Retrieval aus.
GraphRAG für Finanzentitäten und ihre Beziehungen
Wenn Beziehungen wichtiger sind als Ähnlichkeit, ist ein Vector Store das falsche Werkzeug. So nutzen wir Graph-Retrieval über Emittenten, Kontrahenten und Beteiligungsverhältnisse.
Ein LLM-Gateway für Zugriff, Kosten und Governance
Ungesteuerter Modellzugriff ist ein Kosten- und Compliance-Leck. Hier ist das Gateway, das wir den Providern vorschalten – für Keys, Kontingente, Logging und Policy.
Long Context oder Retrieval? Die Wahl für Finanzdokumente
Größere Kontextfenster machen Retrieval nicht überflüssig. So entscheiden wir zwischen Kontext-Stuffing und Retrieval – für Geschäftsberichte, Verträge und Kontoauszüge.
Eval-getriebene Entwicklung für Finanz-KI
Schreib die Eval vor dem Feature. So betreiben wir Finanz-KI wie testgetriebene Entwicklung, mit einem bewerteten Eval-Set, das jede Änderung absichert.
Caching-Strategien für LLM-Systeme im Finanzwesen
Der günstigste Modellaufruf ist der, den man gar nicht erst macht. Hier sind die Prompt-, Semantic- und Result-Caches, mit denen wir LLM-Kosten und Latenz im Finanzbereich sicher senken.
Point-in-Time-Feature-Pipelines richtig bauen
Leakage ist der stille Killer von Finanzmodellen. So bauen wir Feature-Pipelines, die immer nur das sehen, was zum Zeitpunkt des Ereignisses bekannt war.
Wo kleine Sprachmodelle im Finanzwesen die Frontier-Modelle schlagen
Nicht jede Finanzaufgabe braucht ein Frontier-Modell. Hier zeigt sich, wo ein feinabgestimmtes kleines Modell bei Kosten, Latenz und Kontrolle gewinnt – und wo nicht.
Governance der Tool-Nutzung von Agenten in Finanzworkflows
Ein Agent, der Tools aufrufen kann, kann Geld bewegen. Das ist die Autorisierungs-, Rate-Limiting- und Action-Validation-Schicht, die wir voraussetzen, bevor ein Agent ein Finanzsystem berührt.
Multi-Agent-Orchestrierung im Finanzwesen – und wann man sie besser lässt
Ein einziger fähiger Agent schlägt einen Schwarm öfter, als Demos vermuten lassen. Wo wir Arbeit auf mehrere Agenten aufteilen und wo eine Schleife sicherer ist.
On-Prem, VPC oder API: KI-Hosting in der regulierten Finanzwelt
Wo das Modell läuft, ist ebenso eine Compliance-Entscheidung wie eine technische. So wägen wir API, VPC und selbst gehostete Modelle für regulierte Finanzdaten ab.
Reranking: der Retrieval-Schritt, den die meisten Finance-RAG-Systeme auslassen
First-Pass-Retrieval liefert plausible Passagen; Reranking liefert die richtige. So fügen wir Finance-RAG einen Reranker hinzu, ohne das Latenzbudget zu sprengen.
Eine Referenzarchitektur für Finance-AI-Systeme
Bei Finance-AI-Projekten kehrt immer dieselbe Grundform wieder. Hier ist die Referenzarchitektur, mit der wir starten: Datenschicht, Retrieval, Modell, Guardrails, menschliche Prüfung und Audit.
Wenn das Modell jemand anderem gehört: Third-Party-KI und Anbietermodellrisiko
Eine gehostete Modell-API ist ein IKT-Dienst, kein Feature. So behandeln wir Anbietermodellrisiko, Konzentrationsrisiko und stille Updates unter DORA-Maßstäben.
Model-Routing und Fallback für Kosten und Zuverlässigkeit
Ein Modell für jeden Aufruf verschwendet Geld und bricht unter Last zusammen. Hier ist das Routing-, Cascade- und Fallback-Design, das wir über eine Finanz-Workload hinweg einsetzen.
Output-Validierungsmuster für Finance-KI
Eine selbstbewusst falsche Antwort ist der Fehlerfall, der zählt. Hier sind die Schema-, Constraint- und Verifikationsschichten, die wir zwischen ein Modell und einen Finanzprozess schalten.
Wo agentische KI im Finanzwesen hingehört – und wo nicht
Die Frage ist nicht, ob Finanzteams agentische KI einführen, sondern welche Entscheidungen ein Agent allein treffen darf und welche ein Mensch verantwortet.
LLM-Observability und Tracing für Finanz-Workloads
Was man nicht sieht, kann man nicht debuggen. Hier ist das Setup aus Tracing, Logging und Evaluation-in-Produktion, mit dem wir ein Finanz-LLM-System diagnostizierbar halten.
Ein RAG-Evaluations-Harness für den Finanzbereich aufbauen
Bauchgefühl ist kein Eval. Hier ist das Test-Harness für Retrieval und Generierung, das wir aufsetzen, damit ein Finanz-RAG-System eine Kennzahl hat, die sich bewegt, bevor es in Produktion geht.
Was die August-2026-Frist des EU AI Act von Ihnen verlangt
Systeme für Kreditbewertung und Versicherungstarifierung fallen künftig unter das Hochrisiko-Regime, und der Stichtag ist nun in Bewegung. Was das für das System bedeutet, das Sie gerade bauen.
MiCA für Stablecoins und Krypto-Zahlungen: Was Engineering-Teams bauen müssen
MiCA übersetzt Regeln für Kryptowerte in konkrete Kontrollen für Emittenten und Zahlungsdienstleister. Das Monitoring- und Data-Lineage-Engineering dahinter.
Ein Glossar für Finance-Operations-KI: die Begriffe, auf die es wirklich ankommt
Feature Store, Entity Resolution, Champion/Challenger, Model Drift, Human-in-the-Loop: definiert für den Finanzbereich, verlinkt mit dem passenden Leitfaden.
Wenn das Kreditmodell die Ablehnung nicht erklären kann
ECOA Regulation B verlangt konkrete Ablehnungsgründe innerhalb von 30 Tagen. Das stellt Anforderungen an das Kreditmodell selbst, nicht nur an die Dokumentation.
KI-ROI im Finanzbetrieb messen: die Kennzahlen, die CFOs akzeptieren
Eingesparte Stunden sind kein Business Case. Die Payback-, Qualitäts- und Risikokennzahlen, mit denen wir den Wert eines Finance-Ops-KI-Systems im Betrieb belegen.
Hybride Suche für Geschäftsberichte, Transkripte und Analystenreports
Reine Vektorsuche verliert genau die Ticker und Fachbegriffe, an denen Finanzantworten hängen. So bauen wir hybrides RAG, das eine Analystin bis zur Quellzeile zurückverfolgen kann.
Build vs. Buy für Finance-Ops-KI: ein Entscheidungsrahmen und TCO-Modell
Point-Tool, Plattform oder eigener Build? Der Entscheidungsrahmen für Finance- und Risk-Verantwortliche, inklusive der Abwägung von Gesamtkosten und Kontrolle.
Modellauswahl für Finanz-Workloads: vom Anwendungsfall her gedacht
Ein Leaderboard sagt nicht, welches Modell zu Ihrem Finanz-Workload passt. Der Anwendungsfall und ein Eval-Set tun es. Wie wir wählen und was Kompromisse kosten.
Kreditentscheidungen automatisieren: die Grenze zum Menschen
80 % der Anträge automatisch zu genehmigen ist nur dann unbedenklich, wenn die Schwellenwerte stimmen. So legen wir Auto-Entscheidungsbänder, Referral-Regeln und die Erfassung von Overrides fest.
Champion/Challenger und Shadow Deployment für Underwriting-Modelle
Kreditentscheidungen lassen sich nicht leichtfertig per A/B-Test erproben. So betreiben wir Challenger- und Shadow-Modelle produktiv, um eine neue Scorecard zu validieren, ohne Kunden zu schaden.
Portfoliokommentare erzeugen, die ein Analyst unterschreibt
Automatisierte Portfoliokommentare funktionieren nur, wenn jeder Satz an eine Attributionszahl gebunden ist. So bauen wir den Prozess auf, damit ein Analyst prüfen und freigeben kann.
CI/CD für die Kreditpolitik: Änderungen in Tagen ausrollen
Eine Kreditpolitik zu ändern sollte keinen Engineering-Release-Zyklus erfordern. Hier ist die Pipeline aus Versionierung, Tests und Shadow-Läufen, die wir bauen, damit Risikoteams sicher ausliefern.
Decision Engine vs. Rule Engine in der Kreditvergabe
Eine Decision Engine ist mehr als ein Regelbaum mit Modell-Score. Wie wir bestehende Kreditregeln in ein governance-fähiges ML-Decisioning überführen.
So testen Sie Kredit- und Pricing-Modelle wirklich auf Fairness
Ein geschütztes Merkmal wegzulassen macht ein Modell nicht fair. So testen wir Kredit- und Pricing-Modelle auf mittelbare Diskriminierung und Proxy-Diskriminierung und sichern die Nachweise.
Kontoauszug-Parsing und Einkommensprüfung mit Produktionsgenauigkeit
Parsing-Demos scheitern an echten PDFs und Formaten. Hier ist die Methode aus Extraktion, Validierung und Benchmarking, mit der wir einer Einkommenszahl vertrauen.
Finanz-KI evaluieren: eine belastbare Zahl vor dem Go-live
Ein Finanz-KI-System braucht vor dem Produktivstart eine belastbare Genauigkeitszahl. Das Evaluationsset, die Baseline und warum es die Revision interessiert.
Cash-Flow-Underwriting: Kontotransaktionen in Leistbarkeitssignale verwandeln
Open-Banking- und Kontoauszugsdaten sind reines Rauschen, bis man sie kategorisiert, entdupliziert und daraus Einkommen und Leistbarkeit ableitet. Hier ist die Pipeline, die wir für Kreditgeber bauen.
Cashflow-Prognosen mit Machine Learning – ohne es zu überkonstruieren
Eine Punktprognose, der niemand traut, ist schlimmer als eine offene Bandbreite. Wie wir Cashflow-Prognosen bauen, die Treasury und FP&A tatsächlich nutzen.
Automatisierte Schadentriage in der Versicherung mit Kontrolle der False Positives
Schadentriage muss schnell laufen, ohne ungedeckte Schäden zu zahlen oder ehrliche Anspruchsteller in Ermittlungen zu ziehen. Das Design für regulierte Prozesse.
Intercompany-Reconciliation: Abstimmung über Gesellschaften und Währungen hinweg
Intercompany-Differenzen verstecken sich in Timing, Wechselkursen und abweichenden Referenzen. Entity Resolution und Matching klären sie vor dem Abschluss.
Modellrisikomanagement, wenn das Modell ein LLM ist
SR 11-7 wurde für deterministische Modelle geschrieben, der Nachfolger SR 26-2 klammert generative KI aus. So erweitern wir Modellrisikomanagement auf LLMs.
Spesen- und Rechnungsprüfung mit KI automatisieren
Die Spesenprüfung arbeitet mit Stichproben, weil Menschen nicht alles prüfen können. So bewerten wir jede Position auf Richtlinienverstöße sowie doppelte oder betrügerische Belege.
LLM-Kosten im Griff behalten, wenn die Finanzabteilung pro Anfrage nachrechnet
Eine LLM-Rechnung, die in der Summe unauffällig wirkt, verschleiert, wohin das Geld fließt. So halten wir die Kosten je Anfrage niedrig genug, um den Fragen eines CFO standzuhalten.
AR-Automatisierung: Cash Application und Collections, die dazulernen
Eine Zahlung ohne saubere Avisierung zuzuordnen ist ein Matching-Problem, und Collections ist ein Priorisierungsproblem. So automatisieren wir beides mit einem Review-Pfad.
Marktdatenqualität ist ein Modellproblem
Lücken, veraltete Ticks und Korrekturen von Datenanbietern bringen ein KI-System nicht zum Absturz. Sie machen es selbstbewusst falsch. So erkennen wir Qualitätsprobleme, bevor das Modell sie lernt.
Three-Way-Matching ohne manuelles Hinterherlaufen
Das Three-Way-Match scheitert an Teillieferungen, Einheiten-Konflikten und gesplitteten Rechnungen. Die Matching-Logik und das Exception-Routing dahinter.
Den Monatsabschluss mit KI beschleunigen, ohne die Kontrolle zu verlieren
Der Abschluss ist ein Abhängigkeitsgraph aus Abstimmungen, Rückstellungen und Reviews. Hier zeigt sich, wo KI ihn wirklich verkürzt und wo ein Mensch die Zahl noch unterschreiben muss.
Wenn dasselbe Unternehmen keines ist: Entity Resolution
Markt-, Meldungs- und Alternative-Data-Feeds sind sich uneinig, was als ein Emittent zählt. So bauen wir eine Resolution-Schicht, die auch zum Quartalsende standhält.
Bankabstimmung: deterministisch matchen, LLM für Ausnahmen
Der Großteil der Kontenabstimmung sollte nie ein Modell berühren. Wie wir exaktes Matching von den Ausnahmen trennen, die ein LLM übernimmt, samt Audit-Trail.
Erklärbarkeitsmethoden, die einer Modellvalidierung standhalten
Die meiste Erklärbarkeitsarbeit überzeugt nur den Data Scientist, der das Modell gebaut hat. So wird sie belastbar für Validierung, Aufsicht und abgelehnte Kunden.
Rechnungsautomatisierung: eine Architektur für den Long Tail
Rechnungserfassung wirkt in der Demo einfach, bis echte Lieferantenformate eintreffen. Die Architektur aus Extraktion, Validierung und Prüfung, die standhält.
Account-Takeover-Erkennung: die Signale, die wirklich funktionieren
Account Takeover versteckt sich in legitimen Sessions. Hier sind die Verhaltens- und Device-Features sowie das Modelldesign, mit denen wir ihn erkennen, ohne echte Nutzer auszusperren.
LLM-Ausgaben so absichern, dass ein Finanzsystem sie verarbeiten darf
Eine Zahl im Freitext aus einem Modell sollte niemals direkt in ein Hauptbuch fließen. Hier ist die Methode, mit der wir LLM-Ausgaben zuverlässig genug machen, um danach zu handeln.
Finanz-Workflows gegen Deepfakes und KI-Agenten-Missbrauch verteidigen
Angreifer setzen inzwischen generierte Stimmen, Dokumente und eigene Agenten gegen Onboarding und Zahlungsverkehr ein. Hier sind die Fehlermuster und die Guardrails, die wir einbauen.
Strukturierte ESG-Kennzahlen aus unstrukturierten Berichten gewinnen
ESG-Zahlen stecken in PDFs mit uneinheitlichen Definitionen. So extrahieren, normalisieren und validieren wir sie, ohne falsche Genauigkeit vorzutäuschen.
Continuous Forecasting und die Technik hinter KI-gestützten Abweichungskommentaren
Continuous Forecasting funktioniert nur, wenn der Forecast mit den laufenden Ist-Zahlen verdrahtet ist und jede Abweichungserklärung einen Treiber und eine Zahl benennt. So bauen wir das.
Konsortialdaten vs. First-Party-Daten für Betrugsmodelle
Netzwerksignale entlarven Betrug, den die eigenen Daten nie sehen – erkaufen sich das aber mit Governance- und Lineage-Schulden. So entscheiden wir, was wir woher beziehen, und halten es prüfbar.
SAR-Narrative sicher mit LLMs verfassen
Das Narrativ einer Verdachtsmeldung ist ein juristisches Dokument, keine Chatbot-Antwort. So erzeugen wir belegte, prüfbare SAR-Entwürfe, die ihre Nachweise zitieren.
Bauen Sie dem Analysten einen Copiloten, keinen Ersatz
Finanzmodelle, die eine KI entwirft, brauchen weiterhin einen Analysten, der für die Annahmen geradesteht. Hier verdient ein Copilot seinen Platz – und hier zeichnet der Mensch ab.
KYB automatisieren: Firmenprüfung ohne das manuelle Aktenpaket
KYB heißt, ein Unternehmen über Register, wirtschaftlich Berechtigte und Dokumente hinweg aufzulösen. Die Pipeline, die wir fürs Onboarding von Firmenkunden bauen.
Pipelines für alternative Daten, die im Ernstfall standhalten
Web-Signale, Kartendaten, Satellitenbilder und Stellenausschreibungen zahlen sich nur aus, wenn die Pipeline Point-in-Time-Erfassung und Entitätszuordnung löst.
Betrug mit synthetischen Identitäten schon bei der Antragstellung erkennen
Synthetische Identitäten bestehen klassische KYC-Prüfungen, weil ihre Einzelteile echt sind. Die Muster, die fabrizierte Antragsteller vor der Buchung erkennen.
Sanktions-Screening, das nicht mehr auf Schreibweisen anspringt
Klassisches Sanktions-Screening schlägt bei jedem unscharfen Namenstreffer an. So senken Entity Resolution und Kontext-Features das Trefferaufkommen, ohne den Recall bei echten Treffern zu opfern.
Finanzdaten so aufbereiten, dass das Retrieval die richtige Zahl liefert
Retrieval über Finanzdaten scheitert, wenn die Speicherung die Fragen ignoriert. So strukturieren wir Warehouse und Vektorspeicher für exakte, belegbare Antworten.
AML-Alert-Triage automatisieren – mit dem Menschen in der Schleife
Die meisten AML-Alerts sind Rauschen, geprüft werden müssen sie trotzdem. So automatisieren wir Triage und Dispositionsentwurf, der Analyst bleibt verantwortlich.
Earnings Calls mit LLMs lesen, ohne sich selbst etwas vorzumachen
Earnings-Call-Transkripte stecken voller Signale, die ein LLM herausarbeiten kann. Das Schwierige ist, diese Signale nachvollziehbar, zeitpunktkorrekt und tatsächlich handlungsrelevant zu machen.
Echtzeit-Fraud-Scoring: Architektur für den Zahlungsverkehr
Wer Zahlungen in unter einer Sekunde auf Betrug bewertet, merkt: Das Modell ist der einfache Teil. Streaming-Features, Latenzbudget und Fallback-Design dahinter.
Wann ein Finanzteam einen Feature Store braucht
Ein Feature Store zahlt sich aus, sobald Point-in-Time-Korrektheit und Wiederverwendung wehtun. So entscheiden wir, ob Ihr Team diesen Punkt bereits erreicht hat.
False Positives im Transaction Monitoring mit ML reduzieren
Regelbasiertes AML-Monitoring ertränkt Analysten in Fehlalarmen. Feature Engineering und Modell-Schichtung senken False Positives, ohne Verdachtsfälle zu übersehen.
Extraktion, die zum Quartalsende trägt – nicht nur in der Demo
Ein sauberes PDF liest sich mit einem Aufruf aus, tausende Geschäftsberichte und gescannte Verträge nicht. Extraktion, die ein Prüfer nachvollziehen kann.
Das Kreditvotum mit KI entwerfen, ohne KI unterschreiben
Ein erster Entwurf des Kreditvotums entsteht in Minuten aus Abschlüssen, Meldungen und internen Daten. Die Kreditentscheidung bleibt beim Kreditsachbearbeiter.
Wie eine übersehene Kapitalmaßnahme Ihren Finanzdatensatz unbemerkt verfälscht
Splits, Spin-offs und wiederverwendete Ticker verfälschen Kurshistorien und Entity-Matching, lange bevor es auffällt. So bleibt ein Backtest trotzdem ehrlich.