Künstliche Intelligenz (KI) ist das neue IoT – zumindest, wenn man seinen Verlauf vom Trend zur Zukunftstechnologie betrachtet. In der Tat eröffnet Künstliche Intelligenz eindrucksvolle Potenziale für Vertrieb und Service. Doch um diese Ergänzung zu den bekannten CRM-Funktionen auszuschöpfen und somit auch die Erwartungen in den Führungsetagen erfüllen zu können, sind Voraussetzungen bei Mitarbeitern und in der Infrastruktur zu schaffen.
Der Begriff der Künstlichen Intelligenz wird häufig sehr weitgehend verwendet. In vielen Fällen werden aufgrund komplexer Algorithmen Datenbeständen analysiert, Muster erkannt und zum Beispiel Scores abgeleitet.
Ein Anwendungsfall aus dem CRM ist das Leadmanagement im Vertrieb: Aus bisherigen Aktivitäten eines Kunden an unterschiedlichen Touchpoints wird ein „Behavior Score“ ermittelt. Durch einen Vergleich der Kundeneigenschaften – also beispielsweise Branche, Unternehmensgröße etc. – errechnet sich zusätzlich ein „Match Score“. Aus diesen beiden Werten wird abgeleitet, ob ein Lead erkannt wurde und wie wertvoll dieser ist.
Die Vorgehensweise ist nicht grundlegend neu. Moderne Infrastruktur und große Rechenkapazitäten ermöglichen es aber erst heute, den kontinuierlich eingehenden Datenstrom sofort für die weiteren Berechnungen zu berücksichtigen. Die Input-Faktoren für „Behavior Score“ und „Match Score“ werden in Echtzeit neu bewertet und angepasst, Kriterien gewinnen oder verlieren an Bedeutung.
Als Ergebnis entstehen einerseits qualitativ hochwertige Empfehlungen, die alle vorliegenden Daten sofort einbeziehen. Anderseits entwickelt sich aber auch eine Intransparenz für den Anwender, aufgrund welcher Kriterien ein Lead als vielversprechend eingestuft wird. Umgangssprachlich wird diese Black Box in der Folge zu Unrecht als Künstliche Intelligenz bezeichnet.
Funktioniert das Verfahren jedoch, können Marketing- und Vertriebsressourcen deutlich effizienter und somit „intelligenter“ eingesetzt werden, indem sie sich auf die potenzialstärksten Leads konzentrieren.
Die Herausforderungen für den erfolgreichen Einsatz mathematischer Verfahren oder KI liegen in der Datenbasis: Zum einen müssen die Daten insbesondere im CRM konsequent und strukturiert erfasst werden. Zum anderen entstehen in Vertrieb und Service selbst bei umfangreichster Datenerfassung häufig keine ausreichend große Datenmenge (Big Data), um genügend differenzierte Muster zu erkennen und signifikante Impulse abzuleiten.
Auch sind häufig die Erwartungen an die Ergebnisse, die eine KI liefern kann, überzogen: Zum einen fehlt der KI Input, den der menschliche Mitarbeiter in seine Entscheidungen bewusst, teilweise auch unbewusst, einbezieht. Verfechter der KI führen an dieser Stelle an, dass man auch dies der KI antrainieren kann. Die Aufbereitung und Erfassung von entsprechenden Daten aus dem zwischenmenschlichen Miteinander, wie zum Beispiel Emotionen, Vorurteile und Präferenzen etc., ist aber schwierig, um nicht zu sagen unmöglich. KIs stoßen an entsprechende Grenzen, solange sie nicht direkt untereinander handeln.
Zum andern liefern KIs nicht, wie wir es von IT gewohnt sind, eindeutig richtige Ergebnisse. Aufgrund der Methodik (Mustererkennung, statistische Verfahren) ist es systemimmanent, dass ein Teil der Berechnungen oder Impulse falsch ist. Darin unterscheiden sie sich nicht von der natürlichen Intelligenz, die notwendige Fehlertoleranz muss im Unternehmen für die „KI-Kollegen“ jedoch erst entwickelt werden.
Unter Berücksichtigung der dargestellten Limitationen sollen Vertriebs- und Serviceprozesse in drei Schritten optimiert werden.
Es ist zunächst zu definieren, wie Vertrieb und Service in einem modernen Unternehmensumfeld mit unterschiedlichen Customer Journeys und Touchpoints ausgestaltet sein soll.
CRM-Strategie und Kundenperspektive sollten dabei gleichermaßen die internen Vertriebs- und Serviceprozesse definieren. Erst dann kann ein Fahrplan entwickelt werden, wie dieses Zielbild erreicht wird und welche technische Unterstützung – ggf. auch mit Künstlicher Intelligenz – dazu notwendig wird.
Zentrales System für Vertrieb und Service sollte ein CRM-System sein. Dieses wiederum muss heute entsprechend vernetzt sein, um kundenbezogene Daten aus persönlichen Kontakten, ERP, Webshop, Kundenportal, Homepage usw. zu aggregieren. Kritisch ist hier, dass auch die Mitarbeiter in Vertrieb und Service konsequent ihre Aktivitäten mit den Kunden erfassen und über alle Touchpoints hinweg eine durchgehend hohe Datenqualität und Datentiefe erreicht wird. Dass hierbei auch Anforderungen der DSGVO erfüllt sein müssen, ist selbstverständlich.
Nur eine konsequente Umsetzung und Standardisierung ermöglichen es, eine entsprechende CRM-Datenbasis aufzubauen und aktuell zu halten, ein aussagekräftiges Reporting zu schaffen. Unabhängig davon, ob im Folgenden eine KI eingesetzt werden soll, um die Daten „intelligenter“ zu nutzen, ist dieser Schritt notwendig, um im heutigen Wettbewerbsumfeld und über unterschiedliche Kanäle Vertrieb und Service sinnvoll und effizient zu gestalten.
Die technische Unterstützung durch das CRM ist heute fortlaufend zu optimieren sowie an technische Möglichkeiten und Kundenanforderungen anzupassen. Dabei muss auch geprüft werden, ob die technischen, fachlichen und menschlichen Voraussetzungen für einen KI-Einsatz gegeben sind.
CRM ist also die notwendige Basis für erfolgreiche Vertriebs- und Serviceunterstützung. KI wird so zu einem zusätzlichen Modul, das das CRM – stimmen die Voraussetzungen – mit zusätzlicher Intelligenz versorgt und dabei die Datenbasis optimal nutzt.
Die genannten Einschränkungen zeigen: Eine Kombination aus natürlicher und Künstlicher Intelligenz ist ideal. Die KI assistiert, gibt Empfehlungen und vereinfacht somit die Tagesarbeit. Der Mensch prüft diese kritisch. Erst diese Verbindung, von Datenanalysen und menschlicher Lebenserfahrung, verbessert massiv die Qualität unternehmerischer Entscheidungen in Vertrieb und Service. So können sich dann auch einige der Wünsche in den Führungsetagen erfüllen.
Weniger Wartezeit, mehr Service: Kunden im Autohaus erwarten heute schnelle Antworten, einfache Prozesse und eine persönliche Ansprache – am besten rund um die Uhr. Mit generativer KI wird dies möglich. Als Teil des TECHNO-Netzwerks entwickelt Consileon zukunftsweisende KI-Lösungen für Autohäuser, die Mitarbeiter entlasten und das Kundenerlebnis optimieren:
Der KI-Sprachassistent ist die erste digitale Anlaufstelle für wiederkehrende Kundenfragen im Autohaus – sprachgesteuert, rund um die Uhr. Er beantwortet häufig gestellte Anfragen zu Themen wie Garantie, Leasing oder Werkstatt ohne Wartezeiten und entlastet dadurch spürbar das Serviceteam. Durch die Integration von FAQs, Vertragsdaten und Servicedokumenten sowie durch die Entwicklung natürlicher Dialogverläufe entsteht ein selbstlernendes System, das sich flexibel in bestehende Kanäle wie Website oder Hotline einfügt.
Der KI-Serviceagent geht einen Schritt weiter: er ist ein sprachbasierter, digitaler Mitarbeiter, der Serviceprozesse im Autohaus automatisiert – eigenständig, mehrsprachig und in Echtzeit. Er übernimmt aktiv Aufgaben wie die Vereinbarung von Terminen für Probefahrten, Werkstatt oder Service, verwaltet Kalender und versendet Angebote per E-Mail. Durch die Integration in bestehende Systeme wie CRM oder E-Mail-Tools sowie die Anbindung an Website oder Hotline entsteht ein nahtloses, medienbruchfreies Kundenerlebnis mit direkter Entlastung für das Serviceteam.
Consileon ist Teil des TECHNO-Netzwerks, Deutschlands größtes Netzwerk markengebundener Autohäuser. Diese Kooperation bietet die ideale Plattform für digitale Innovationen und praxiserprobte Anwendungen. Durch den Austausch von Know-how, die enge Zusammenarbeit mit Autohäusern und die konsequente Ausrichtung auf den Kundennutzen entstehen KI- und IT-Lösungen, die nicht nur technisch überzeugen, sondern echten Mehrwert bieten.
Unser Automotive-Team begleitet Autohäuser in ihrer digitalen Transformation, für schlanke Prozesse, exzellenten Service und nachhaltige Kundenbindung.
Regulatorische Prüfungen gehören für Versicherungen zum Tagesgeschäft, doch mit wachsender Komplexität, steigenden Datenmengen und neuen EU-Verordnungen geraten klassische Prüfprozesse zunehmend an ihre Grenzen. Im Rahmen unseres Webinars zeigen wir Versicherern, wie moderne KI-Ansätze die Arbeit Ihrer Risiko- und Compliance-Teams deutlich vereinfachen können.
Mit dem Consileon Regulatorik-Radar, basierend auf Large Language Models (LLMs), prüfen Sie umfangreiche Dokumente wie Verträge, Arbeitsanweisungen oder Organisationsrichtlinien automatisiert auf regulatorische Anforderungen – unabhängig von Format und Sprache.
Chief Risk Manager, Compliance Officer und Regulatorik-Spezialisten in Versicherungen
Regulatorische Anforderungen wie DORA, CSRD, das Lieferkettengesetz oder der EU AI Act werden immer komplexer. Unternehmen stehen vor der Herausforderung, Dokumentationspflichten effizient zu bewältigen und Compliance-Risiken frühzeitig zu erkennen.
Genau hier setzt generative KI an: Sie automatisiert repetitive Aufgaben, erleichtert Analysen und steigert die Effizienz von Compliance-Prozessen.
Trotz aller Vorteile gilt: KI kann Fehler machen. Unternehmen müssen sicherstellen, dass menschliche Kontrolle integraler Bestandteil des Compliance-Prozesses bleibt. Der Human-in-the-loop-Ansatz sorgt für maximale Zuverlässigkeit.
Mit dem Regulatorik Radar von Consileon und der Expertise unseres Partners Lighthouz AI unterstützen wir Compliance-Officer dabei, effiziente und verlässliche Prozesse umzusetzen.
Die Entwicklung von künstlicher Intelligenz schreitet rasant voran. Doch je leistungsfähiger KI-Systeme werden, desto wichtiger wird die Qualitätssicherung. Wie kann sichergestellt werden, dass eine KI nicht nur effizient, sondern auch verlässlich und robust funktioniert? Genau hier setzt Lighthouz AI an.
Prof. Srijan Kumar, Professor am Georgia Institute of Technology und Gründer von Lighthouz AI, hat mit seinem Unternehmen eine Plattform geschaffen, die die Qualität und Sicherheit von KI-Anwendungen systematisch überprüft. Lighthouz AI bietet umfassende Evaluations- und Testmechanismen, die helfen, Schwachstellen in KI-Modellen frühzeitig zu identifizieren. Dadurch wird nicht nur die Performance der Systeme verbessert, sondern auch das Risiko fehlerhafter Entscheidungen minimiert.
Ein zentrales Problem bei KI-Systemen ist ihre Unvorhersehbarkeit in bestimmten Situationen. Modelle können verzerrte oder unerwartete Ergebnisse liefern, insbesondere wenn sie mit neuen oder nicht ausreichend repräsentierten Daten konfrontiert werden. Zudem stehen Entwickler vor regulatorischen Herausforderungen, da der Gesetzgeber zunehmend strenge Richtlinien für den Einsatz von KI-Technologien fordert.
Fehlerhafte KI-Modelle können gravierende Auswirkungen haben – von ungenauen Vorhersagen in Wirtschaftsanwendungen bis zu potenziell sicherheitskritischen Fehlentscheidungen in autonomen Systemen. Eine zuverlässige Qualitätssicherung ist daher nicht nur eine Frage der Effizienz, sondern auch der ethischen Verantwortung.
Lighthouz AI wird in unsere PersonalGPT-Lösung integriert und steht somit unseren Kunden zur Verfügung. Dadurch können Unternehmen sicherstellen, dass ihre KI-Anwendungen nicht nur leistungsstark, sondern auch regelkonform und sicher sind. Zudem spielt Lighthouz AI eine essenzielle Rolle in unserem Regulatorik Radar, um aktuelle und kommende Vorschriften effizient zu erfassen und KI-Modelle entsprechend anzupassen.
Mit Lighthouz AI setzt Consileon einen neuen Standard in der KI-Qualitätssicherung – für leistungsstarke, sichere und vertrauenswürdige KI-Systeme.
Am 26. Februar 2024 hat die Europäische Union eine Verordnung erlassen, die Banken verpflichtet, Instant Payments (IP) zu maximal denselben Gebühren wie Standardüberweisungen anzubieten.1 Ab Januar 2025 müssen Banken in der Lage sein, Sofortüberweisungen zu empfangen, und ab Oktober 2025 auch zu senden. Ziel dieser Maßnahme ist es, den Anteil von IP an allen Transaktionen in Europa bis 2027 von derzeit 12 % auf 45 % zu steigern. Weltweit wird prognostiziert, dass die Gesamtzahl der IP-Transaktionen bis 2027 auf 376 Milliarden ansteigen wird, was einem Wachstum von 289 % seit 2022 entspricht.
Instant Payments ermöglichen es Nutzern, Überweisungen rund um die Uhr und an sieben Tagen pro Woche durchzuführen. Im Gegensatz zu herkömmlichen Banküberweisungen, die oft mehrere Stunden oder sogar Tage zur Ausführung benötigen, dauert eine Echtzeitüberweisung maximal 10 Sekunden. Diese schnelle Abwicklung verbessert das Liquiditätsmanagement und reduziert den Planungsaufwand für Privatpersonen und Unternehmen, da Nutzer sofort auf ihre Gelder zugreifen können.
Mit der Einführung dieser Verordnung zielt die EU darauf ab, die wirtschaftliche Stabilität langfristig zu stärken, das Innovationswachstum innerhalb der Union zu fördern und einen jährlichen wirtschaftlichen Nutzen von bis zu 1,8 Milliarden Euro zu erzielen. Zudem sollen nicht europäische Unternehmen wie PayPal herausgefordert und die Wettbewerbsfähigkeit der EU in der Entwicklung innovativer Finanzdienstleistungen sichergestellt werden.
Banken müssen sicherstellen, dass Transaktionen nicht mit illegalen Aktivitäten verknüpft sind. Dafür wurden vor der Einführung von KI-Technologien hauptsächlich regelbasierte, automatisierte Systeme und manuelle Prüfungen eingesetzt. Diese Methoden basierten auf festen Regeln und Kriterien wie ungewöhnlich hohe Transaktionsbeträge, geografische Diskrepanzen, verdächtige Schlagwörter oder eine hohe Frequenz von Transaktionen in kurzer Zeit. Entspricht eine Transaktion diesen Regeln, wird sie als potenziell betrügerisch markiert und von spezialisierten Compliance-Teams manuell überprüft. Hierbei unterscheidet man zwischen Fraud, AML und Sanctions, da diese jeweils unterschiedliche Ansätze und Maßnahmen in der Überprüfung erfordern.
| Fraud | AML | Sanctions | |
| Ziel | Verhinderung von Betrug | Bekämpfung von Geldwäsche | Einhaltung von Sanktionen |
| Maßnahme | Transaktionen ablehnen | FIU melden, aber nicht blockieren | Transaktionen ablehnen |
| Berichterstattung | Keine FIU-Meldung | FIU-Meldung | FIU-Meldung |
Dieses Vorgehen ist jedoch oft ineffizient und führt zu einer hohen Anzahl von Falschmeldungen, da es nicht flexibel genug ist, aus der Historie oder Muster zu lernen oder automatisiert neue Betrugsmuster zu identifizieren. Bei regulären Überweisungen werden häufig diese semi-automatisierten Überprüfungssysteme eingesetzt. Die 10-Sekunden-Vorgabe bei Instant Payments erfordert ein Straight-Through Processing (STP) und lässt keinen Raum für manuelle Eingriffe. Dies stellt Banken vor erhebliche Herausforderungen.
Die Vorgabe einer maximalen Transaktionsdauer von zehn Sekunden führt dazu, dass aktuelle Systeme nicht alle erforderlichen Überprüfungen innerhalb der vorgegebenen Zeit durchführen können. Diese Limitierung zwingt Banken dazu, restriktivere Maßnahmen mit höheren Ablehnungsquoten zu ergreifen, um betrügerische Transaktionen effektiver zu erkennen und zu verhindern. Dies führt dazu, dass Ausnahmefälle bei IP abgewiesen werden müssen. Das Ergebnis ist eine False-Positive-Rate (FPR) von bis zu 99,5 %. Das bedeutet, dass fast alle abgelehnten Transaktionen eigentlich legitim sind. Ein Beispiel verdeutlicht dies: Bei einer Bank, die jährlich 50 Millionen Transaktionen abwickelt, entstehen etwa 100.000 Alerts durch das Betrugserkennungssystem. Von diesen können 90.000 sofort als Fehlalarme erkannt und weitere 9.500 nach weiterer Überprüfung als legitim bestätigt werden. Dies zeigt, wie häufig legitime Transaktionen fälschlicherweise abgelehnt werden – in diesem Beispiel wurden nur 500 Transaktionen tatsächlich gemeldet.
Eine hohe FPR hat negative Konsequenzen: Viele unproblematische Transaktionen werden abgelehnt, was Kunden zwingt, Überweisungen erneut auszuführen. Dies beeinträchtigt die Kundenzufriedenheit und untergräbt das Vertrauen in das Finanzinstitut, was langfristig zu Kundenverlust führen kann. Banken, die in fortschrittliche Systeme zur Transaktionsüberprüfung investieren, können ihre FPR senken, damit die Kundenzufriedenheit erhöhen und gleichzeitig sicherstellen, dass sie gesetzliche Anforderungen erfüllen.
Künstliche Intelligenz (KI) hat das Potenzial, die Herausforderungen herkömmlicher Systeme zu überwinden und die FPR signifikant zu senken. Moderne Systeme nutzen maschinelles Lernen, um Muster in Transaktionsdaten zu erkennen und präzise zwischen legitimen und verdächtigen Transaktionen zu unterscheiden. KI kann große Datenmengen in Echtzeit analysieren, um Transaktionen sofort zu bewerten. Dies ist besonders wichtig für Instant Payments, bei denen schnelle Reaktionen erforderlich sind.2 Durch die verbesserte Transaktionsüberwachung werden legitime Transaktionen seltener fälschlicherweise als verdächtig eingestuft, was die FPR um bis zu 50 % reduzieren kann.
Zusätzlich kann KI die Bearbeitungszeit von Transaktionen und die Reaktionszeiten auf potenzielle Bedrohungen wie Betrug und Cyberangriffe erheblich verkürzen. Durch das schnelle Erkennen und Abwehren von Anomalien trägt KI maßgeblich dazu bei, die Sicherheit und Effizienz im Finanzsektor zu erhöhen. Gleichzeitig stellen wachsende Kundenerwartungen an Geschwindigkeit und Sicherheit Finanzinstitute vor die Herausforderung, sich kontinuierlich anzupassen.
Ein praktisches Beispiel für den Einsatz von KI im Zahlungsverkehr ist Visa. Das Unternehmen hat angekündigt, 100 Millionen Dollar in KI-Tools für Sofortzahlungen zu investieren, die Betrugsversuche in Echtzeit erkennen. Betrügerische Transaktionen sollen automatisch blockiert werden, bevor sie ausgeführt werden. Nachdem Visa mithilfe von KI den Betrug bei Kartenzahlungen bereits auf einen historischen Tiefstand reduziert hat, soll die KI-basierte Betrugserkennung nun auch bei Echtzeitzahlungen eingesetzt werden. Ziel ist es, die Sicherheit für Kunden zu erhöhen und das Vertrauen in Echtzeitzahlungen zu stärken.3
Ein weiteres erfolgreiches Praxisbeispiel ist die Danske Bank. Sie setzte früher ein Betrugs-präventives-System ein, das auf handgefertigten Regeln basierte. Dieses führte jedoch zeitweise dazu, dass 99,5 % der als verdächtig eingestuften Transaktionen Fehlalarme waren, was die Kosten für die Untersuchungen in die Höhe trieb und das Kundenerlebnis beeinträchtigte. Mit der Einführung von Machine Learning für die Betrugserkennung konnte die Bank die Rate der Fehlalarme um 50 % senken und gleichzeitig die Erkennungsrate von Betrugsfällen um 60 % steigern. Derzeit untersucht die Bank den Einsatz von Deep-Learning-Modellen, um die Genauigkeit weiter zu verbessern.
In Zukunft wird KI den Finanzsektor maßgeblich beeinflussen, indem sie den Zahlungsverkehr optimiert und personalisierte Kundenerfahrungen ermöglicht. Durch die Analyse des Kaufverhaltens und der Transaktionshistorie können maßgeschneiderte Angebote wie Rabatte oder Cashback bereitgestellt werden, die Kundenzufriedenheit und -bindung erhöhen. Ergänzend können KI-basierte Plattformen automatisierte Finanzberatungsdienste anbieten, die Kunden bei Investitionen oder Schuldentilgung unterstützen. Diese personalisierte Betreuung verbessert das Kundenerlebnis und optimiert das Risikomanagement der Banken, indem finanzielle Risiken frühzeitig erkannt werden. Dadurch wird die Bindung zwischen Kunden und Finanzinstituten gestärkt, was zu höherer Loyalität und Zufriedenheit führt.
Langfristig wird die IP-Revolution in Verbindung mit Künstlicher Intelligenz das globale Finanzwesen durch Effizienz, Sicherheit und Kundenzufriedenheit revolutionieren. Consileon unterstützt ihr Unternehmen bei regulatorischen Anforderungen und innovativen Technologien im Bereich Instant Payments. Mit unserer KI-Expertise bietet Consileon maßgeschneiderte Beratungslösungen und eigene KI-Tools, die das Potenzial Ihres Unternehmens maximieren:
Durch diese zukunftsweisenden Technologien unterstützt Consileon Sie optimal, um den Wandel im Finanzsektor zu gestalten und langfristig erfolgreich zu bestehen.
