Von der Statistik zu generativen Modellen
Der Begriff der künstlichen Intelligenz umfasst eine Familie von Techniken, deren gemeinsames Merkmal darin besteht, dass ein Computersystem Ergebnisse wie Vorhersagen, Klassifikationen, Empfehlungen oder Texte hervorbringt, die sonst menschliches Urteilsvermögen erfordern würden. Die Definition, welche die Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) 2019 verabschiedet und 2023 überarbeitet hat, beschreibt ein KI-System als maschinengestütztes System, das aus den empfangenen Eingaben ableitet, wie es Ergebnisse erzeugt, die physische oder virtuelle Umgebungen beeinflussen können. Sowohl die Konvention des Europarats als auch die KI-Verordnung der Europäischen Union (AI Act) haben diese Formulierung inhaltlich übernommen, was dem Begriff in den für Basel massgebenden Rechtsordnungen einen gemeinsamen Kern verleiht.1
Finanzinstitute setzen die älteren Mitglieder dieser Familie seit Langem ein. Die Kreditwürdigkeitsprüfung auf der Grundlage der logistischen Regression wurde in den 1980er- und 1990er-Jahren im Konsumkreditgeschäft zum Standard. Aktuare wenden seit Jahrzehnten verallgemeinerte lineare Modelle bei der Tarifierung von Versicherungen an. Die Betrugserkennung im Kartenzahlungsverkehr stützt sich seit den 1990er-Jahren auf neuronale Netze. Methoden des maschinellen Lernens wie Gradient Boosting und Random Forests hielten in den 2010er-Jahren Einzug in das Risikomanagement und die Transaktionsüberwachung, weil sie Muster in grossen Datenbeständen präziser erkennen als feste Regeln.2
Generative Modelle unterscheiden sich von diesen Vorläufern in zwei Punkten, die für Finanzdienstleistungen von Bedeutung sind. Sie arbeiten mit unstrukturierten Informationen wie Verträgen, E-Mails, Research-Berichten und aufgezeichneten Gesprächen, die den grössten Teil des Wissens einer Bank oder einer Anwaltskanzlei ausmachen. Zudem sind sie Allzwecksysteme, die von einer kleinen Zahl von Anbietern mit grossem Aufwand trainiert und dann von Tausenden von Nutzern für ihre eigenen Aufgaben angepasst werden. Das erste Merkmal erklärt ihre rasche Verbreitung im Back- und Middle-Office. Das zweite erklärt, weshalb sich die Aufsichtsbehörden um Konzentration, Abhängigkeit und die begrenzte Fähigkeit der Nutzer sorgen, nachzuvollziehen, wie die Systeme zu ihren Ergebnissen gelangen.3
Anmerkungen
- OECD, Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449, verabschiedet am 22. Mai 2019, Definition überarbeitet am 8. November 2023; Art. 3 Ziff. 1 Verordnung (EU) 2024/1689 (KI-Verordnung, AI Act); Art. 2 Rahmenübereinkommen des Europarats über künstliche Intelligenz und Menschenrechte, Demokratie und Rechtsstaatlichkeit (CETS Nr. 225). ↩
- Zur Geschichte statistischer Methoden und des maschinellen Lernens bei der Kreditwürdigkeitsprüfung, in der Versicherung und bei der Betrugserkennung vgl. die Übersicht in Financial Stability Board, Artificial Intelligence and Machine Learning in Financial Services, 1. November 2017. ↩
- Zu den Merkmalen von Basismodellen (Foundation Models) und ihren Folgen für Finanzinstitute vgl. BIZ, Annual Economic Report 2024, Kapitel III, «Artificial intelligence and the economy: implications for central banks», Juni 2024. ↩
Nur zur allgemeinen Information. Dieser Beitrag ist keine Rechts- oder Steuerberatung, ersetzt nicht die Beratung im Einzelfall und begründet kein Mandatsverhältnis. Rechtsstand: 10/2026.