Überwindung der Off-Chain-Fragmentierung und der Grenzen von KI bei der Transaktion-Rentabilität

In einer speziellen Sitzung der FF News Virtual Arena versammelten sich Branchenexperten, um einen kritischen Engpass im Bankbetrieb zu diskutieren: wie Datenfragmentierung und veraltete Architektur dazu führen, dass Finanzinstitute in ihren Transaktionsabläufen Rentabilität einbüßen.

An der Diskussion nahmen teil:

• Ian Horne, Moderator bei FF News

• Mariia Komissarova, Data and AI Retail Business Lead bei Raiffeisen Bank International

• Breno Alves De Oliveira, Chief Product Officer bei PAYABL

• Kirill Lisitsyn, Mitgründer und CEO bei Torus

Das Panel untersuchte die versteckten Betriebskosten ungenutzter Datensammlungen, die Grenzen nicht-deterministischer künstlicher Intelligenz sowie die Strategien, die Finanzinstitute einsetzen müssen, um Rohdaten in eine solide Grundlage für das Überleben am Markt umzuwandeln.

Die Wurzel des Gewinnverlusts: Legacy-Systeme und strukturierte Datenhindernisse

Für langjährige Finanzinstitute am Markt, wie die Raiffeisen Bank International, stellt die veraltete Infrastruktur eine primäre interne Hürde für die Optimierung dar. Mariia Komissarova erklärte, dass die Kernherausforderung, die Banken dazu bringt, in Transaktionsabläufen Rentabilität zu verlieren, im Wesentlichen ein Datenproblem ist.

Da historische Bankanwendungen in voneinander getrennten Silos betrieben werden, ist das Erfassen und Strukturieren von Unternehmenstransaktionsdaten in einem transparenten, organisierten Format außerordentlich schwierig. Ohne einen strukturierten Rahmen bleibt die genaue Berechnung der Rentabilität einer einzelnen Finanztransaktion nahezu unmöglich.

Dieser Zusammenbruch ist auf historische Daten-Governance und einen Mangel an modernem Framework-Einsatz zurückzuführen. Fortgeschrittene Organisationsparadigmen, wie das Konzept des „Data Mesh", sind auf dem Markt entstanden, bleiben jedoch in großen Bankunternehmen nur unzureichend verbreitet.

Da der globale Finanzsektor tiefgreifende KI-Transformationen in der Identitätsprüfung und Transaktionsverarbeitung durchläuft, ist die Lösung dieser Datenschicht kein Luxus mehr. Die Schaffung einer sauberen Datenbasis ist zu einer absoluten Voraussetzung für das langfristige Überleben von Unternehmen geworden.

Das versteckte Kostengefüge der Massenaufnahme von Daten

Ein häufiger Fehler bei veralteten Institutionen ist die Annahme, dass die Erfassung größerer Datenmengen automatisch zu einem höheren Geschäftswert führt. Vor fünf bis sieben Jahren konzentrierten sich traditionelle Branchenstrategien darauf, möglichst viele verschiedene Datenpunkte zu sammeln, einschließlich der Einspeisung von Daten aus sozialen Netzwerken in Unternehmensserver.

Das moderne Transaktionsökosystem hat diese Denkweise überholt. Finanzinstitute stellen fest, dass das bloße Speichern und Pflegen riesiger Mengen unstrukturierter Informationen enorme Server- und Datentechnikkosten verursacht.

„Diese Datenmenge, eine große Menge an Daten zu sammeln und zu speichern, ist ziemlich kostspielig, und wenn man sie nicht nutzt, verliert man auch irgendwie in diesem Preisgestaltungsspiel…"

Wenn ein Unternehmen hohe Betriebsspeicherkosten verursacht, ohne aktiv kommerziellen Wert aus diesen Daten zu ziehen, verliert es im Wettbewerb um die Preisgestaltung den Anschluss. Es kann seinen Händlern keine optimalen Konditionen anbieten, da seine grundlegenden Infrastrukturkosten künstlich aufgebläht sind.

Wie Kirill Lisitsyn betonte, muss sich die moderne Datenstrategie zunächst darauf konzentrieren, echten Mehrwert aus vorhandenen Datenvermögenswerten zu extrahieren. Erst wenn ein konkreter geschäftlicher Anwendungsfall etabliert ist, sollte eine Institution Kapital investieren, um zusätzliche Datenströme zu beschaffen, und so unnötige betriebliche Hürden und Kostensteigerungen vermeiden.

Die nicht-deterministische Falle: Warum LLMs schlechte Daten nicht beheben können

Da Institutionen daran arbeiten, veraltete Systeme zu vereinheitlichen, die völlig unterschiedliche Softwaresprachen verwenden und nicht standardisierte Datenformate nutzen, wenden sich viele an künstliche Intelligenz und Large Language Models (LLMs), um Code- und Datentransformationen zu automatisieren. Breno Alves De Oliveira stellte fest, dass Fintechs hervorragend darin sind, komplexe Daten aufzunehmen und in leicht verständliche Formate umzustrukturieren – ein Prozess, der durch KI-Tools stark beschleunigt wird.

Jedoch warnte Komissarova nachdrücklich vor einer übermäßigen Abhängigkeit von generativen Algorithmen für die Kerntransaktionsinfrastruktur. LLMs sind von Natur aus nicht-deterministisch, was bedeutet, dass ihre Ausgaben wahrscheinlichkeitsbasiert und nicht absolut sind, was sie dem systemischen Risiko algorithmischer Halluzinationen aussetzt.

In der Transaktionswelt, wo Fehler direkte Auswirkungen auf Finanzbücher haben, ist eine Abweichung von der vollständigen Präzision inakzeptabel. Das Einspeisen ungenauer oder unstrukturierter Daten in ein LLM erhöht die Wahrscheinlichkeit, fehlerhafte Berechnungen zu generieren, erheblich und kann Finanzinstitute potenziell Millionen von Dollar kosten.

Das Panel war sich einig, dass es keine technologische Wunderlösung gibt; Unternehmen können nicht einfach unstrukturierte Datensätze in ein generatives Modell einspeisen und fehlerlose Geschäftslogik erwarten. Der Aufbau einer zuverlässigen Datenschicht erfordert eine disziplinierte Investition von Zeit und Kapital sowie erfahrene interne Spezialisten, die die Datenpipeline korrekt strukturieren können.

Die Gleichung ausbalancieren: Der deterministische Hybrid-Kern

Um die Geschwindigkeit moderner KI sicher zu nutzen, ohne die absolute finanzielle Genauigkeit zu opfern, schlugen die Panelisten eine hybride Strukturarchitektur vor. Dieses Modell balanciert deterministische Verarbeitungsmaschinen mit flexiblen Sprachschnittstellen, um den Arbeitsablauf des Endbenutzers zu erleichtern:

• Das deterministische Fundament: Die Kerndatenschicht muss streng deterministisch bleiben. Spezialisierte Intelligence-Plattformen, wie Torus, konstruieren ihre Backend-Logik absichtlich so, dass sie sich auf absolute mathematische Genauigkeit konzentriert, anstatt auf ein „80%-Wahrscheinlichkeits"-Modell, und stellen sicher, dass Schemagebühren und Transaktionsaufzeichnungen perfekt abgestimmt sind.

• Die konversationelle Schnittstelle: Sobald eine Basislinie der verifizierten Datenintegrität etabliert ist, können Institutionen LLMs darüber legen, um die Daten zu interpretieren, Benutzerinteraktionen zu vereinfachen und analytische Aufgaben zu beschleunigen.

Dieses strukturierte Fundament ermöglicht es Institutionen, Konzepte wie Data Lakes zu nutzen, um kommerzielle Hypothesen zu formulieren und zu testen. Historisch gesehen erforderte das Entdecken eines Verarbeitungstrends oder die Bewertung einer Preisvariablen umfangreiche manuelle Datenbankabfragen.

Mit einem einheitlichen Hybrid-Kern können Produktteams Hypothesen schnell testen, um ihre Erfolgschancen zu bewerten. Letztendlich ermöglicht dieses Framework Banken, ihre internen Statistiken, Wettbewerbslandschaften und makroökonomischen Marktveränderungen gleichzeitig zu analysieren. Dieser datengesteuerte Ansatz leitet gezielte Anpassungen in Konversionsabläufen, Transaktionsrouting und Produkterlebnissen und verwandelt notwendige Kapitalinvestitionen in vorhersehbare Treiber der Unternehmensrentabilität.

Wichtige Erkenntnisse aus dem Virtual Arena Panel:

• Der Datenstuktur-Engpass: Die Erfassung von Daten aus Legacy-Systemen, die unterschiedliche Formate verwenden, macht eine genaue Verfolgung der Transaktionsrentabilität äußerst komplex.

• Die hohen Kosten der Datenstagnation: Das Speichern großer Datenmengen ohne klare Anwendungsfälle erhöht den Betriebsaufwand und macht Banken im Händlerpreisgeschäft weniger wettbewerbsfähig.

• Wert statt Volumen: Moderne Datenintelligenz priorisiert die Extraktion maximalen Nutzens aus vorhandenen Assets, bevor externe Datenströme erworben werden.

• Die Gefahr nicht-deterministischer KI: Da generative KI-Modelle wahrscheinlichkeitsbasiert sind, birgt ihr Einsatz auf unstrukturierten Kerndaten das Risiko finanzieller Berechnungsfehler.

• Der Hybrid-System-Bauplan: Erfolgreiche Architekturen kombinieren eine 100% genaue, deterministische Datenschicht mit konversationellen LLM-Tools für die Benutzerinterpretation.

• Hypothesengetriebene Innovation: Die Neugestaltung von Kerndatenframeworks ermöglicht es Teams, Verarbeitungsänderungen schnell zu validieren und Kapitalinvestitionen risikoärmer zu gestalten.

Der Beitrag Überwindung von Datenfragmentierung und der Grenzen von KI in der Transaktionsrentabilität erschien zuerst auf FF News | Fintech Finance.