Wie Generative AI und ChatGPT in der Finanzabteilung eingesetzt werden

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.

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.

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.

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.