Beim Einsatz von Generative AI im Finanzwesen kommt es auf die richtige Anwendung an. Korrekt eingesetzt, eröffnen sich umfangreiche Anwendungsmöglichkeiten, die die Kosten- und Prozesseffizienz in allen Teilbereichen stark verbessern.
Dieses Beispiel zeigt, dass das Finanzwesen auf den zweiten Blick doch nicht so deterministisch ist wie zunächst angenommen. Und es zeigt auch, dass es immer auf die richtige Anwendung von GenAI ankommt. Korrekt eingesetzt, eröffnen sich umfangreiche Anwendungsmöglichkeiten, die die Kosten- und Prozesseffizienz in allen Teilbereichen des Finanzwesens stark verbessern. In der nachfolgenden Darstellung wird der Begriff „Generative AI“ (GenAI) als Überbegriff dieser KI-Kategorie und ChatGPT als Beispiel für die momentan am häufigsten diskutierte künstliche Intelligenz genutzt. Gerade für die Anwendung in Finance lohnt sich aber auch ein Blick auf andere KIs.
Übersicht von Anwendungsfällen
Die Funktionalität von GenAI wird ständig erweitert und insbesondere in der Kombination mit bereits bestehenden Finanzinformationssystemen bietet sich ein breites Anwendungsspektrum. Die nachfolgende Aufzählung ist eine Momentaufnahme aus interessanten Anwendungsfällen, wie sie bereits bei EY und unseren Kunden im Einsatz sind.
1. Finanzanalysen
Die erste naheliegende Anwendung ist die Aufbereitung von teil- und unstrukturierten Finanzdaten. Dokumente lassen sich beispielsweise mit Geschäftsergebnissen aufbereiten und für die Entscheidungsfindung in Bereichen wie Benchmarking, Due Diligence, Marktsegmentanalysen und vielen mehr nutzen.
Daneben kann GenAI aber auch mit strukturierten Finanzdaten umgehen, wie sie beispielweise in Business-Intelligence-, Performance-Management- und Analytics-Anwendungen vorliegen. GenAI vereinfacht und beschleunigt in diesem Fall den Zugriff auf die relevanten Finanzkennzahlen und übernimmt die Vermittlung wie auch die Auswertung. Dies reduziert auch die Notwendigkeit für Spezialwissen zu Strukturen und Handhabung dieser Anwendungen. GenAI kann auch noch einen Schritt weiter gehen und bei der Aufbereitung der Daten helfen: Mit Anwendungen wie MS Copilot lassen sich teilautomatisiert Daten extrahieren und selbstständig zu Dashboards aufbereiten.
An Anwendungsfällen in Finance scheitert es nicht – daher bedarf es einer unternehmensindividuellen Bewertung und Priorisierung hinsichtlich Kosten- und Prozesseffizienz.
2. Finanzplanung
GenAI kann an vielen verschiedenen Stellen der Finanzplanungs- und Vorhersageprozesse eingesetzt werden. Eine häufige Herausforderung ist die Beschaffung von Informationen zu Referenzwerten und Treibern – sowohl intern als auch extern. Angefangen bei der strategischen Finanzplanung (meist Top-down), bei der insbesondere Marktentwicklungen eine Rolle spielen, kann GenAI bei der Informationsbeschaffung von externen Quellen zu Benchmarks und Markteinschätzungen helfen. Auch Zusammenhänge zwischen verschiedenen Werttreibern können auf diese Weise leichter ermittelt werden. Selbst die Möglichkeit, ein bestehendes Modell nochmals zu verproben und neue Anregungen zu Treibern zu erhalten, kann einen hohen Einfluss auf die Robustheit des Planungsmodells haben.
In späteren Planungs- und Vorhersagephasen (Jahresplanung, operative Planung, Forecasts etc.) verlagert sich die Perspektive mehr auf interne Bezugsgrößen und die Bottom- beziehungsweise Middle-up-Planung. Auch hier kann GenAI mit einem effizienten Zugriff auf interne Datenquellen unterstützen und Planinformationen gegenprüfen.
Neben dem eigentlichen Finanzplanungsprozess kann GenAI auch in verbundenen Teilprozessen unterstützen, etwa bei Investitionsentscheidungen, Maßnahmenplanungen, Budgetierungsprozessen etc.
3. Accounting und operative Finanzprozesse
Hierbei zeichnen sich zwei Richtungen von Anwendungsfällen ab: die Automatisierung operativer Finanzprozesse und die passive Mitarbeiterunterstützung.
GenAI kann ein guter Hebel sein, um die Automatisierung speziell in Fällen von unstrukturierten Informationen weiter voranzutreiben. Beispielsweise werden in der Debitoren- und Kreditorenrechnung viele Dokumente noch manuell prozessiert. KI-Systeme der vergangenen Jahre leisten dabei zwar schon eine gute Erkennung und Prozessierung, haben aber Probleme mit der Klassifizierung verschiedener Freitextinformationen und mit unterschiedlichen Sprachen und Referenzinformationen. GenAI kann diese Lücke schließen und bietet potenziell eine wesentlich höhere Erkennungs- und Automatisierungsrate als herkömmliche Verfahren. Das Gleiche gilt für die Überprüfung der detaillierten Finanzdaten, beispielsweise im Zuge von Abschlussprozessen oder anderen Qualitätsprüfungen: GenAI kann Anomalien in Finanzdokumenten erkennen, Zuordnungen/Klassifizierungen überprüfen und aktiv Korrekturen vorschlagen. Häufig verwendete Verfahren sind beispielsweise die Zuordnung zu Finanzkonten oder Controlling-Objekten (Kostenstellen, Profit-Center, Funktionsbereiche etc.).
Daran schließt sich auch die Nutzung von GenAI als Unterstützung der Mitarbeitenden an. In manuellen Prozessen kann die Technologie helfen, Fehler und damit Kosten zu vermeiden. Ein Beispiel sind auch hier die oben genannten Konten- und Objektzuordnungen von Finanzdokumenten: GenAI kann für die Kontierungsrichtlinien eines Unternehmens trainiert werden und anschließend die Zuordnungsfragen der Mitarbeitenden beantworten. Zur Überprüfung ist GenAI zusätzlich in der Lage, die relevanten Quellen/Referenzen zu listen, und ermöglicht somit eine weitere Verifikation durch die Beschäftigten.
Hierzu gibt es viele weitere Anwendungsszenarien, die sich sowohl für die operativen Abteilungen in den Unternehmen als auch für Shared-Services-Einheiten eignen.
4. Externe Sichten/Strategische Entscheidungsunterstützung
Für die Marktbewertung, das Investitionsmanagement und vielerlei strategische Unterstützungsprozesse zur Entscheidungsfindung zählt jeder zusätzliche Datenpunkt und jede Verifikationsmöglichkeit. GenAI spielt dabei seine Stärken insbesondere in den Bereichen von unstrukturierten Informationen aus.
Eine häufig genannte Herausforderung ist hier die Aktualität der KI. Die KI wird in einem aufwendigen Prozess über Monate hinweg antrainiert und danach weiter verfeinert. Insofern kann es vorkommen, dass die Datengrundlage ein bis zwei Jahre alt ist – wie beispielsweise auch bei ChatGPT. Dies betrifft aber nur das grundlegende Training. Fast alle Unternehmen verwenden umfangreiche Dokumentenmanagementsysteme, um Marktinformationen und Benchmarking-relevante Sachverhalte zu speichern. GenAI kann um diese spezifischen Daten erweitert werden und ermöglicht anschließend einen einfachen Zugriff auf die Daten. Es sammelt relevante Ergebnisse und fügt auch Quellverweise ein.
Externe Informationen lassen sich ebenfalls auf diese Weise laden und einbinden, beispielsweise solche von Marktforschungsinstituten, Ratingagenturen, Indizes und aus vielen weiteren Quellen. Viele Bewertungsinstitutionen haben auch unlängst selbst damit bekommen, native Zugriffsmöglichkeiten mit GenAI für ihre Kunden anzubieten.
5. Risk Management & Compliance
GenAI kann sehr gut zur Klassifizierung von teil- und unstrukturierten Daten eingesetzt werden. Gerade bei Themen wie Fraud Detection, Anti-Money Laundering und generelles Risiko- und Compliance-Management war bisher die Nachverfolgung auf eher strukturierte Daten limitiert. Mithilfe von GenAI lässt sich dieser Analyseraum um bisher schwer zu klassifizierende Dokumente erweitern und bewerten.
Auch in externer Hinsicht lässt sich GenAI einsetzen, beispielsweise bei Know-your-Customer-Prozessen (KYC).
6. Weitere Anwendungen in Finance
- Environmental Social Governance (ESG): Finanzrelevante Informationen und verknüpfte Kennzahlen lassen sich mit GenAI ermitteln beziehungsweise prüfen. Erste KIs werden beispielsweise auf die EU-Taxonomie trainiert, die für viele Unternehmen unübersichtlich ist und eine tiefe Einarbeitung erfordert. GenAI kann die Bewertung und Einordnung von Sachverhalten in die EU-Taxonomie vereinfachen und auch Referenzen auflisten.
Die Analyse von ESG-Kennzahlen lässt sich ähnlich der oben beschriebenen Analyse von Finanzkennzahlen mithilfe von GenAI effizienter gestalten. - Kunde: Bei der Schnittstelle zwischen Kunde und den Finanzprozessen kann GenAI ebenfalls helfen, beispielsweise bei Rechnungsfragen, personalisierten Angeboten, Zahlungsgateways, Bewertungen etc.
Es gibt auch viele sektorenspezifische Anwendungsfälle mit Bezug zu Finanzinformationen, beispielsweise Versicherungs- und Finanzierungsratgeber, Credit Scoring oder Unterstützung bei der Kontoeröffnung. - Finanzdokumentenmanagement: Dieser Aspekt kommt bereits in vielen der oben genannten Anwendungsfällen zum Tragen. Darüber hinaus ermöglicht GenAI einen einfacheren Zugriff auf generelle Dokumentenrepositorien im Finanzwesen. GenAI zeichnet sich dabei durch eine wesentlich bessere Identifikationsrate aus, als dies bei bisherigen Algorithmen der Fall ist. Zusätzlich kann die KI die extrahierten Daten weiter strukturieren und zusammenfassen – nicht zuletzt auch ein Grund, wieso viele Suchmaschinenanbieter derzeit GenAI in ihren Algorithmen und Browsern integrieren. Aber auch in unternehmenseigenen Dokumentensystemen lässt sich dieses Konzept erfolgreich einsetzen.
Diese Liste kann noch umfangreich verlängert werden und ist als reine Momentaufnahme zu sehen. Schon jetzt zeichnet sich ab, dass der Trend von einer eher passiven, unterstützenden Nutzung hin zu einer aktiven Prozessautomatisierung geht. Umso wichtiger ist es, ein holistisches Konzept zur Nutzung von GenAI speziell für das jeweilige Geschäftsmodell eines Kunden zu erstellen.
Was funktioniert nicht?
„GenAI ist nicht gut mit Zahlen“, ist ein Ausspruch, der insbesondere in den Anfangsphasen der Technologie getätigt wurde. Und tatsächlich ist GenAI derzeit noch nicht in der Lage, komplexe Kalkulationen von Finanzdaten zu erstellen. Wer also beispielsweise erwartet, dass ChatGPT basierend auf einer SAP-COPA-Tabelle automatisiert eine komplette Profitabilitätsanalyse erstellt, wird (noch) enttäuscht. Was ChatGPT hingegen sehr gut kann, ist, eine Mittlerrolle einzunehmen. In diesem konkreten Beispiel kann die KI dazu genutzt werden, die Profitabilitätsinformationen eines bestehenden Performance-Management-Systems abzufragen und entsprechend der Fragestellung aufzubereiten. Berechnungen anhand der extrahierten Ergebnisse kann die KI allerdings heute schon durchführen. Auch lässt sich diese Methode verwenden, um beispielsweise diagnostische Informationen (zum Beispiel Identifikation von Einflussgrößen oder What-if-Szenarien) oder Predictive-Forecasting-Informationen anzufordern und aufzubereiten. Gerade in zeitkritischen Situationen kann GenAI diese Informationen viel schneller zusammentragen und aufbereiten, als dies durch klassische Analyseprozesse möglich ist.
GenAI kann (noch) keine komplexen Kalkulationen, das macht jedoch nichts.
Dieses Beispiel sowie die genannten Anwendungsfälle zeigen, dass es immer auf den richtigen Einsatz, das richtige Training und die richtigeKonfiguration/das richtige Prompt-Design der Technologie ankommt.
Es empfiehlt sich daher in einem ersten Schritt, verschiedene Anwendungsfälle für den Einsatz in der individuellen Unternehmenssituation zu prüfen und hinsichtlich des Aufwands/Nutzens zu bewerten.
Womit beginnen? Ein Finance-Copilot als holistischer Ansatz
Das Gute an der GenAI-Technologie ist, dass fast alle der skizzierten Anwendungsfelder die gleiche technologische Basis verwenden und auch sonst viele Gemeinsamkeiten in den technischen und funktionalen Anforderungen mitbringen. Insofern lässt sich mit einer oder mehreren Kernanwendungen starten und die Funktionalität um neue Anwendungsfälle erweitern.
Dieses Konzept hat EY schon erfolgreich bei Kunden umgesetzt: Der Finance-Copilot beinhaltet im Kern die generative KI, mit verschiedenen Zugangsmöglichkeiten, in der Basis als Chat-Interface. Dieses lässt sich dann um verschiedene der oben skizzierten Anwendungen modular erweitern. Hierbei wird die KI um neue Daten ergänzt und für weitere Anwendungsfälle trainiert. Auch Automatisierungskomponenten lassen sich so einzeln hinzufügen. Für den Endanwender ändert sich dadurch wenig, das Chat-Interface wird sukzessive um neue Module erweitert, die über ein Portal publiziert werden.
Zahlreiche Beschäftigte verwenden bereits ChatGPT. Umso wichtiger ist es sicherzustellen, dass keine Daten gewollt oder ungewollt das Unternehmen verlassen.
Auf diese Weise lassen sehr schnell erste Anwendungen umsetzen und die Mitarbeitenden erhalten zeitnah Zugang zu GenAI. Das alles geschieht in einer sicheren Unternehmensumgebung, ohne dass Informationen oder Chat-Anfragen das Unternehmen verlassen. Viele Beschäftigte experimentieren bereits mit ChatGPT. Umso wichtiger ist es, eine sichere Nutzung für Unternehmensdaten zu ermöglichen. Verbote helfen hier nicht immer und sind auch der falsche Weg in Zeiten stark gestiegener Effizienzanforderungen.
Das gilt es zu beachten
Das anfängliche Szenario und auch die verschiedenen skizzierten Anwendungsbeispiele zeigen einige fundamentale Dinge auf, die zu beachten sind, um GenAI erfolgreich im Finanzwesen einzusetzen:
- Die Antworten müssen prüfbar beziehungsweise nachvollziehbar sein. Das klingt zunächst nach einer schwierigen Herausforderung, da der Denkprozess der KI nicht nachvollzogen werden kann. Hier gilt aber im Grunde das Gleiche wie für Machine Learning: Selbst wenn die Möglichkeit der Nachvollziehbarkeit bestünde, sind die Modelle inzwischen zu komplex, um tatsächlich die komplette Inferenz nachvollziehen zu können. Viel wichtiger ist es stattdessen, dass die KI Rückschlüsse auf die Quellen und die grundlegende Verarbeitung zulässt. Oder im anfänglich genannten Beispiel: Welche Quellen wurden für die EBIT-Berechnung benutzt und wie ist die Kennzahl definiert?
In vielen Fällen ist auch ein direkter Durchgriff auf die Daten möglich. Beispielsweise lässt sich GenAI mit den eigenen Buchführungsrichtlinien antrainieren. Bei der Abfrage, welche Kontierung verwendet werden soll, verweist die KI dann an die richtige Stelle in der Richtlinie und verlinkt die Passage. - Diese Prüfung muss auch tatsächlich erfolgen. Das erfordert eine entsprechende Berücksichtigung in Richtlinien, Governance-Anforderungen, internen Audit-Prozessen und weiteren Bereichen. Ebenso sollte die Verantwortung auch von der KI selbst klar kommuniziert werden. OpenAI, die Firma hinter ChatGPT, trainiert beispielsweise neuere Versionen speziell so, dass Aussagen relativiert und eine weitere Prüfung von Sachverhalten aktiv von der KI eingefordert wird.
- Für einige Anwendungsfälle lässt sich GenAI direkt ohne Anpassungen verwenden. Aber in der Mehrzahl der Anwendungen ist es notwendig, das KI-Modell um das Wissen der eigenen Finanzorganisation zu erweitern. Hierzu gibt es je nach Anwendungsfall verschiedene Möglichkeiten (darunter Fine-Tuning, Embeddings, Queries).
Die Kunst besteht nun darin, die beste Methode für die jeweilige Anwendung zu finden und die Daten so bereitzustellen, dass die KI sie auch effizient und effektiv verwenden kann. Dies benötigt beide Sichten – die Finanzperspektive mit entsprechendem Domänenwissen und wie dieses anzuwenden ist, und die technische Perspektive und das Wissen, wie die Daten effektiv und sicher zu integrieren sind. - Auch die Eingabe der Fragen und die Vorkonditionierung sind nicht immer trivial. Insbesondere bei komplexeren Aufgaben im Finanzwesen muss die Eingabe richtig konfiguriert und gegebenenfalls Inhalte vorgegeben werden. Wer zum Beispiel eine Gewinn- und Verlustrechnung analysieren will, muss der GenAI zunächst den grundlegenden Zusammenhang zwischen einzelnen Kontierungen und Kennzahlen erklären. Nicht ohne Grund entstehen deshalb gerade neue Geschäftsrollen und sogar ein eigenes Berufsbild, das des Prompt-Designers.
Die Verantwortung bei der Nutzung von GenAI ist groß – und im Finanzwesen noch mal um ein Vielfaches größer.
Sicherheit von Finanzdaten
Die Sicherheit und die Integrität von Finanzdaten dürfen natürlich nicht auf der Strecke bleiben. Auch hierzu gibt es verschiedene Schutzkonzepte und -stufen wie auch Audit-Methoden.
- Kundeneigene GenAI:
Viele GenAI-Modelle ermöglichen den Einsatz in der eigenen Cloud-Instanz eines Kunden. Damit wird sichergestellt, dass zum einen eingegebene Chats nicht die IT-Umgebung des Unternehmens verlassen, zum anderen lässt sich diese private Instanz mit Geschäftsdaten in einer gesicherten Umgebung erweitern. Auch ChatGPT bietet diese Möglichkeit über die kundeneigene Microsoft-Azure-Umgebung. Dort lassen sich auch mehrere Modelle separat betreiben und anlernen, beispielsweise zur Abgrenzung verschiedener Domänen in einem Unternehmen. - Need-to-Know-Prinzip:
Wenn GenAI durch kundenindividuelle Modelle erweitert wird, stehen diese grundsätzlich allen Mitarbeitenden mit Zugriff auf die KI zur Verfügung. In einzelnen Fällen lässt sich der Zugriff zwar steuern, beispielsweise bei indirekter Integration sensibler Finanzdaten, dies bedarf aber eines detaillierten Sicherheitskonzepts und einer entsprechenden Modularisierung der GenAI-Anwendungen. Diesbezüglich ist es wichtig, ein konsistentes Zugriffskonzept zu erstellen und dies auch durch entsprechende Prozesse weiter zu forcieren. - Awareness:
Genauso wichtig wie die oben genannten technischen Sicherheitskonzepte ist es, ein Bewusstsein für eine zulässige Nutzung von GenAI im Unternehmen zu verankern. Darunter fällt auch der Integritätsaspekt: Mitarbeitende müssen die Ergebnisse bewerten können und sich bewusst sein, dass diese verifiziert werden müssen – wozu wiederum Hilfestellung notwendig ist, wie genau dies geschehen sollte. Diese Faktoren benötigen eine tiefgreifende Verankerung in der Organisation und den Prozessen, begleitet durch einen Change-Management-Prozess. - Neben diesen grundsätzlichen Sicherheitsfaktoren sind weitere, detailliertere Konzepte für GenAI verfügbar. Unternehmen müssen sich aber bewusst sein, dass klassische GRC-Konzepte nicht immer direkt übertragbar sind und entsprechend angepasst oder ergänzt werden müssen.
Fazit
Das Finanzwesen kann von Generative AI auf vielfältige Art und Weise profitieren – wichtig ist jedoch, dass GenAI im Unternehmen auch richtig eingesetzt wird. Daher bedarf es einer umfassenden fachlichen Beratung zur Anwendung künstlicher Intelligenz im individuellen Firmenkontext. Gut beratene und strategisch intelligent aufgestellte Unternehmen können mithilfe von GenAI die Kosten- und Prozesseffizienz in allen Teilbereichen des Finanzwesens stark verbessern.
