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.
LesenCompliance-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.
LesenErklärbare Ablehnungsgründe im großen Maßstab erzeugen
Jede Ablehnung schuldet einen konkreten, korrekten Grund. So erzeugen wir ECOA-konforme Ablehnungsgründe aus komplexen Modellen – nachprüfbar.
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.
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.
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.
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.
Inkasso-Strategie mit ML optimieren
Nicht jedes überfällige Konto braucht denselben Anruf. So priorisieren und individualisieren wir das Inkasso, ohne die Wohlverhaltensregeln zu verletzen.
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.
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.
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 Stichprobenauswahl, Tie-outs und die Erstellung von Arbeitspapieren – und behalten dabei einen Prüfpfad, dem ein Reviewer vertraut.
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.
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.
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.
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.
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.
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.
Die Steuerrückstellung mit KI-Unterstützung automatisieren
Die Steuerrückstellung ist unter hartem Termindruck vor allem Abstimmung und Klassifizierung, mit einer Dokumentation, die jede Zahl belegen muss. Hier zeigt sich, wo KI den Prozess verkürzt und wo ein Sachbearbeiter das Ergebnis weiterhin verantworten muss.
Bestellungen durchgängig automatisieren
Die Bestellung ist der Punkt, an dem Ausgaben kontrolliert werden oder verloren gehen. Hier ist die Automatisierung von Bedarfsanforderung, Freigabe und Abgleich, die wir bauen, damit Beschaffung ohne Chaos skaliert.
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.
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.
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.
Verhaltensbiometrie für kontinuierliche Authentifizierung
Ein Passwort beweist, wer sich angemeldet hat – nicht, wer gerade tippt. So nutzen wir Verhaltensbiometrie für eine kontinuierliche, datenschutzbewusste Authentifizierung.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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 wir mit Modellen defekte Verweise, inkonsistente Logik und hartcodierte Überschreibungen zur Prüfung durch einen Menschen.
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.
Narrative Finanzberichterstattung automatisieren
Die Zahlen stehen, aber der Kommentar frisst den ganzen Nachmittag. So erzeugen wir fundierte, prüfbare narrative Berichte, die ihre Zahlen belegen.
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.
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.
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.
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.
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.
Wenn das Dokument zum Angreifer wird: RAG im Finanzbereich absichern
Der Abruf zieht halb vertrauenswürdige Geschäftsberichte und E-Mails direkt in den Prompt. So behandeln wir diese Inhalte als nicht vertrauenswürdig und bauen eine mehrschichtige Verteidigung für Finanz-KI auf.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Stammdaten-Management für Finanz-KI
Währungen, Kalender, Instrumente und Codes sind das stille Rückgrat jedes Modells. So verwalten wir Stammdaten, damit nichts unbemerkt driftet.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Multi-Agent-Orchestrierung im Finanzwesen – und wann man sie besser lässt
Ein einziger fähiger Agent schlägt einen Schwarm häufiger, als die Demos vermuten lassen. Hier zeigen wir, wo wir Arbeit in einem Finanzsystem auf mehrere Agenten aufteilen – und wo eine einzelne Schleife sicherer ist.
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.
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.
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.
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
Agentische KI verbreitet sich rasant in Finanzteams. Die entscheidende Frage ist nicht, ob man sie einführt, 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. Hier ist das Monitoring-, Reporting- und Data-Lineage-Engineering, das tatsächlich dahintersteckt.
Ein Glossar für Finance-Operations-KI: die Begriffe, auf die es wirklich ankommt
Feature Store, Entity Resolution, Straight-Through Processing, Champion/Challenger, SAR, Model Drift, Human-in-the-Loop: definiert für den Finanzbereich, jeweils verlinkt mit dem Leitfaden, der tiefer geht.
Wenn Ihr Kreditmodell eine Ablehnung nicht erklären kann, dürfen Sie es für diese Ablehnung nicht einsetzen
ECOA Regulation B verlangt konkrete Gründe innerhalb von 30 Tagen nach einer Kreditablehnung. Das stellt Anforderungen an das Modell, das die Entscheidung getroffen hat, nicht nur an die Dokumentation darum herum.
KI-ROI im Finanzbetrieb messen: die Kennzahlen, die CFOs akzeptieren
Eingesparte Stunden sind kein Business Case. Hier sind die Payback-, Qualitäts- und Risikokennzahlen, mit denen wir belegen, dass ein Finance-Ops-KI-System im Produktivbetrieb seinen Wert erwirtschaftet.
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 Engineering-Build? Das ist der Rahmen, den wir Finance- und Risk-Verantwortlichen für die Entscheidung an die Hand geben – inklusive der Abwägung zwischen Gesamtkosten und Kontrolle.
Modellauswahl für Finanz-Workloads: vom Anwendungsfall her gedacht
Ein Leaderboard sagt Ihnen nicht, welches Modell zu Ihrem Finanz-Workload passt. Der konkrete Anwendungsfall und ein Eval-Set tun es. So treffen wir die Wahl, und was die Kompromisse tatsächlich kosten.
Automatisierte Kreditentscheidungen ohne Risiko: Wo die Grenze zum Human-in-the-Loop verläuft
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: Entscheidungsänderungen in Tagen statt Monaten 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: Was sich ändert, wenn Modelle in die Kreditvergabe kommen
Eine Decision Engine leistet weit mehr, als einen Regelbaum mit angehängtem Modell-Score abzuarbeiten. So unterscheiden sich beide Systeme – und so migrieren wir bestehende Kreditregeln in ein governance-fähiges ML-Decisioning.
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.
Wie aus "sieht gut aus" eine belastbare Zahl wird, bevor ein Finanz-KI-System live geht
Ein Finanz-KI-System braucht vor dem Produktivstart eine belastbare Genauigkeitszahl. Hier ist das Evaluationsset, das wir aufbauen, die Baseline, an der wir es messen, und warum die Revision das 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, mit der niemand etwas anfangen kann, ist schlimmer als eine Bandbreite, über die niemand diskutiert hat. Wie wir Cashflow-Prognosen bauen, die Treasury und FP&A tatsächlich nutzen.
Automatisierte Schadentriage in der Versicherung mit Kontrolle der False Positives
Die Schadentriage muss schnell laufen, ohne Schäden zu zahlen, die nie gedeckt waren, oder ehrliche Anspruchsteller in eine Ermittlung zu ziehen. Hier ist das Design für Dokumentenextraktion und Scoring, das wir für einen regulierten Schadenprozess bauen.
Intercompany-Reconciliation: Abstimmung über Gesellschaften und Währungen hinweg
Intercompany-Differenzen verstecken sich in Timing, Wechselkursen und nicht übereinstimmenden Referenzen zwischen den Ledgern. Hier ist der Ansatz aus Entity Resolution und Matching, mit dem wir sie noch vor dem Abschluss klären.
Modellrisikomanagement, wenn das Modell ein LLM ist
SR 11-7 wurde für deterministische Modelle geschrieben. Der Nachfolger aus dem Jahr 2026, SR 26-2, hat das Modellrisikomanagement modernisiert, klammert generative KI jedoch aus dem Anwendungsbereich aus. So lässt es sich auf ein LLM erweitern.
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 mit KI: Bestellung, Wareneingang und Rechnung ohne manuelles Hinterherlaufen
Das Three-Way-Match scheitert an Teillieferungen, Einheiten-Konflikten und aufgesplitteten Rechnungen. Hier die Matching-Logik und das Exception-Routing, die wir bauen, damit die Kreditorenbuchhaltung nicht ins Stocken gerät.
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 über Finanzdatenfeeds hinweg
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 automatisieren: erst deterministisches Matching, LLM für die Ausnahmen
Der Großteil der Kontenabstimmung sollte nie ein Modell berühren. So trennen wir das exakte Matching von den unscharfen Ausnahmen, die ein LLM übernimmt, mit einem Audit-Trail, dem ein Controller vertraut.
Erklärbarkeitsmethoden, die einer Modellvalidierung standhalten
Die meiste Arbeit an der Erklärbarkeit überzeugt den Data Scientist, der das Modell gebaut hat, und sonst niemanden. So machen wir sie belastbar für die Validierung, die Aufsicht und den abgelehnten Kunden.
Automatisierung der Kreditorenbuchhaltung: eine Architektur, die den chaotischen Long Tail übersteht
Demos zur Rechnungserfassung wirken einfach – bis die echten Lieferantenformate eintreffen. Hier ist die Architektur aus Extraktion, Validierung und manueller Prüfung, mit der wir hohe Straight-Through-Raten erreichen.
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, deren Verfasser sich nicht einmal über Definitionen einig sind. So extrahieren, normalisieren und validieren wir sie, ohne eine Genauigkeit vorzutäuschen, die es nicht gibt.
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 bedeutet, ein Unternehmen über Register, wirtschaftlich Berechtigte und Dokumente hinweg aufzulösen, die niemand standardisiert. Hier ist die Extraktions-, Entity-Resolution- und Risk-Scoring-Pipeline, die wir fürs Onboarding bauen.
Pipelines für alternative Daten, die im Ernstfall standhalten
Web-extrahierte Signale, Kartendaten-Panels, Satellitenbilder, Stellenausschreibungen und gescrapte Geschäftsberichte zahlen sich nur aus, wenn die Pipeline Point-in-Time-Erfassung und Entitätszuordnung sauber löst.
Betrug mit synthetischen Identitäten schon bei der Antragstellung erkennen
Synthetische Identitäten bestehen klassische KYC-Prüfungen, weil ihre Einzelteile echt sind. Hier sind die Daten- und Modellmuster, mit denen wir fabrizierte Antragsteller erkennen, bevor sie gebucht werden.
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 ignoriert, wie sich die Fragen aufteilen. So strukturieren wir ein Warehouse und einen Vektorspeicher, damit Antworten exakt und nachvollziehbar bleiben.
AML-Alert-Triage automatisieren – mit dem Menschen in der Schleife
Die meisten AML-Alerts sind Rauschen, geprüft werden müssen sie trotzdem. So automatisieren wir Anreicherung, Priorisierung und den Entwurf der Disposition, ohne die Verantwortung des Analysten aufzugeben.
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 im Zahlungsverkehr: eine Architektur für Entscheidungen im Sekundenbruchteil
Wer eine Zahlung in unter einer Sekunde auf Betrug bewertet, merkt schnell: Das Modell ist der einfache Teil. Hier sind der Streaming-Feature-Pfad, das Latenzbudget und das Fallback-Design, die wir darum herum bauen.
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. Hier ist das Feature Engineering und die Modell-Schichtung, mit der wir False Positives senken, ohne echte verdächtige Aktivitäten zu übersehen.
Extraktion, die zum Quartalsende trägt – nicht nur in der Demo
Ein sauberes PDF lässt sich mit einem einzigen Aufruf auslesen. Tausende Geschäftsberichte und eingescannte Verträge mit uneinheitlichem Layout nicht. So bauen wir eine Extraktion, die ein Prüfer nachvollziehen kann.
Das Kreditvotum mit KI entwerfen, ohne KI unterschreiben
Ein erster Entwurf des Kreditvotums lässt sich in wenigen Minuten aus Abschlüssen, Meldungen und internen Daten zusammenstellen. Die Kreditentscheidung bleibt beim Kreditsachbearbeiter. So halten wir beides aufrecht.
Wie eine übersehene Kapitalmaßnahme Ihren Finanzdatensatz unbemerkt verfälscht
Splits, Spin-offs und wiederverwendete Ticker zerstören Kurshistorien und das Entity-Matching, lange bevor es jemandem auffällt. So gehen wir mit Kapitalmaßnahmen um, damit ein Backtest ehrlich bleibt.