Wenn es um Kreditentscheidungen geht, blicken Banken eher in die Vergangenheit als in die Zukunft. Die Technologie ermöglicht es den Banken jedoch zunehmend, sich weniger auf Bilanzen und mehr auf aktuelle Transaktions- und Rechnungsdaten zu verlassen. John Basquill spricht mit Brancheninsidern darüber, was dieser Wandel für potenzielle Kreditnehmer bedeutet und ob künstliche Intelligenz (KI) eine neue Ära für das Kredit- und Risikomanagement in der Handelsfinanzierung einläutet.

Laut einer Umfrage des Technologieanbieters Codat unter fast 500 Unternehmen beabsichtigten rund zwei Drittel der KMU in den USA im Jahr 2023, irgendwann im Laufe des Jahres einen Kredit zu beantragen. Viele seien jedoch „nicht in der Lage, auf das benötigte Grundkapital zuzugreifen“.

„21 % derjenigen, mit denen wir gesprochen haben, wollten im Jahr 2022 einen Kredit, konnten ihn aber nicht bekommen“, sagt Codat in einem im Mai dieses Jahres veröffentlichten Bericht.

„Wenn man diejenigen mit einer niedrigen Kreditwürdigkeit ausschließt, blieben 13,7 % der befragten Unternehmen – das entspricht fast 4,5 Millionen Unternehmen, wenn man sie auf den gesamten US-Markt skaliert – aufgrund von Einschränkungen im Kreditsystem, einschließlich übermäßig komplexer Anträge, hoher Kosten und veralteter Entscheidungen, hinter den Erwartungen zurück Prozesse.“

Ein Großteil dieser Komplexität ist darauf zurückzuführen, dass der Antragsteller Kontoauszüge, jährliche Finanzinformationen und andere Details zusammenstellen und diese Informationen dann seinem potenziellen Kreditgeber zur Verfügung stellen muss.

„Nicht alle Unternehmen sind kreditwürdig“, sagt Codat. „Aber viele der am häufigsten genannten Gründe für die Ablehnung von Krediten, wie etwa eine „dünne Kreditakte“ oder „das Geschäft läuft nicht lange genug“, deuten eher auf einen Mangel an Daten als auf die Unfähigkeit oder mangelnde Bereitschaft zur Rückzahlung hin.“

Fast drei Viertel der befragten KMU gaben an, dass sie bereit wären, Finanzdaten direkt mit Banken zu teilen, um das Onboarding zu vereinfachen und die Finanzierungskosten sogar zu senken.

Dafür ist jedoch Technologie erforderlich. Diese Daten auf Transaktionsebene müssen so extrahiert und strukturiert werden, dass sie für Banken nützlich sind. Und selbst dann sind weitere Tools erforderlich, um eine gründliche Analyse dieser Ergebnisse durchzuführen. In weiten Teilen des Finanzsektors wächst das Gefühl, dass KI diese Vision zum Leben erwecken könnte.

André Casterman ist Gründer und Geschäftsführer von Casterman Advisory und hat das Wachstum zahlreicher Technologie- und Finanzdienstleistungs-Start-ups unterstützt, darunter den Handelsfinanzierungstechnologieanbieter Tradeteq und das Datenmanagementunternehmen Intix.

GTR: Wie ändern Banken ihren Ansatz zur Datenerfassung und Kreditentscheidung und warum ist das wichtig?

Casterman: Es gibt eine Abkehr von der Kreditentscheidung, die auf Bilanzinformationen basiert. Die Herausforderung auf der ganzen Welt besteht darin, dass KMU die Finanzierung benötigen, in Schwellenländern jedoch ihre Bilanzinformationen nicht immer verfügbar oder leicht zugänglich sind. Außerdem ist eine Bilanz zum Zeitpunkt der Veröffentlichung bereits veraltet und die Informationen könnten bereits veraltet sein.

Immer mehr geht es um die Nutzung von Forderungsdaten, Zahlungsdaten und Kontoauszugsdaten. Wenn Sie diese Informationen aus dem Buchhaltungssystem eines Unternehmens abrufen können, können Sie sehen, wie schnell Rechnungen bezahlt werden und wie stark diese Beziehungen zwischen Käufer und Lieferant sind.

Sie können auf granularer Ebene auf die neuesten Rechnungen, die neuesten Zahlungsströme und wirklich aktuelle Informationen zugreifen und diese für die Bonitätsbewertung nutzen.

Eine Herausforderung besteht darin, dass dies eindeutig datenintensiv ist und daher automatisiert werden muss, beispielsweise durch APIs, die Daten auf strukturierte Weise abrufen können. Darauf können Sie dann einen Algorithmus anwenden und Entscheidungen treffen.

GTR: Welche Rolle kann KI in diesem Prozess spielen?

Casterman: Das Tolle an KI ist, dass sie Erkenntnisse aus der unstrukturierten Welt hinzufügen und Kontexte aus dem Ökosystem einbringen kann, in dem das KMU tätig ist. Sie können Informationen aus allen möglichen Online-Quellen über ein KMU und sein Ökosystem abrufen, aber das werden unstrukturierte Daten sein. KI kann dies interpretieren und die Analyse, die Sie bereits anhand der Bilanz- und Transaktionsdaten haben, aufpeppen. Darin liegt die Magie.

Um ein Beispiel zu nennen, könnte KI möglicherweise darauf hinweisen, dass sich in einem bestimmten Sektor etwas Negatives abzeichnet – ein relevanter Rohstoffpreis, der durch die Decke geht, oder eine Art politischer Konflikt – und dies könnte sich in gewisser Weise auf die Transaktionsdaten dieses KMU auswirken werde es dir nicht sagen können. KI ist relevant, wenn es darum geht, neue Datensätze zu nutzen und eine Stimmung oder ein Gefühl für das Makroumfeld sowie die finanzielle Situation zu bekommen.

Bei der Kreditentscheidung benötigen Sie externe Daten, um möglichst viel über den Kunden zu erfahren, idealerweise über das hinaus, was Ihnen die Transaktionen bieten.

GTR: Sind die Banken bereit, damit zu beginnen? Wenn nicht, welche Faktoren sollten sie berücksichtigen?

Casterman: Seit langem frage ich Banken: „Ist Ihr Datenhaus in Ordnung?“ Dabei geht es nicht um kommerzielle Aspekte, sondern um Compliance. Aufsichtsbehörden fragen Banken zunehmend nach Einzelheiten zu bestimmten Transaktionen, die schnell übermittelt werden, beispielsweise zu Zahlungen, die eine bestimmte Person geleistet hat, oder zu allen Zahlungen über einem bestimmten Betrag.

Und als Unternehmen möchten Sie natürlich in der Lage sein, betrügerische Aktivitäten zu erkennen. Das bedeutet, dass in vielen Fällen die Transaktionsdaten bereits verfügbar sind.

Dennoch ist es für Banken immer noch eine Herausforderung. In vielen Fällen könnten diese Daten über mehrere interne Systeme verteilt sein, und es ist sehr komplex, sie linear zusammenzuführen, damit sie von einer KI-Engine verarbeitet werden können. Wenn all diese Daten verknüpft werden können, könnten sie in einem Kontext zur Bekämpfung von Geldwäsche oder zur Einhaltung von Vorschriften, in einem anderen Kontext für Kreditentscheidungen und auch für andere Anwendungsfälle wie Liquiditätsmanagement oder Prognosen verwendet werden.

GTR: Gibt es bei der Erhöhung der Finanzierungsverfügbarkeit für KMU immer noch potenzielle Hindernisse, die KI nicht überwinden kann?

Casterman: KMU verfügen möglicherweise über diese Transaktionsdaten, ihr Geldgeber jedoch nicht. Was ich in Schwellenländern höre, ist, dass KMU nicht immer in der Lage sind, zuverlässige Dritte hinzuzuziehen, die den Geldgebern den Zugang zu Daten erleichtern. Das bedeutet, dass die Daten direkt von diesen KMU bereitgestellt werden müssten. Der Geldgeber muss sich also auf Daten verlassen, die ihm ein potenzieller zukünftiger Kunde gegeben hat, und hält diese möglicherweise nicht für vertrauenswürdig genug, um sie bei der Kreditentscheidung zu verwenden. Im Wesentlichen sind diese Märkte möglicherweise nicht so organisiert, und eine Ausweitung dieser Märkte gibt Anlass zur Sorge hinsichtlich des Zugangs zu Daten.

Gabby Macsweeney ist Leiterin Politik und Kommunikation beim Technologieanbieter Codat. Das Unternehmen stellt eine API bereit, die eine Verbindung zu den Buchhaltungs- und Zahlungssystemen kleiner Unternehmen herstellt und es Benutzern ermöglicht, kontinuierlich detaillierte Finanzinformationen zu extrahieren und zu analysieren.

GTR: Wie wird die API-Technologie von Codat genutzt und mit welchen Institutionen arbeiten Sie zusammen?

Macsweeney : Einer der Hauptanwendungsfälle ist die Kreditvergabe, aber wir arbeiten mit etablierten Banken, alternativen Kreditgebern sowie Lieferkettenfinanzierungen, Rechnungsfinanzierungen und B2B-Kunden mit dem Prinzip „Jetzt kaufen, später zahlen“ zusammen. Es gibt alle Arten von Indikatoren, die Sie durch einen direkten Blick auf die Finanzplattformen kleiner Unternehmen ermitteln können. Wenn Sie dann mehrere dieser Indikatoren zusammenführen, können Sie zusätzliche Erkenntnisse gewinnen.

GTR: Wie passt KI da hinein? Haben Sie konkrete Beispiele für den Einsatz von KI bei der Entscheidungsfindung in einer Bank?

Macsweeney: KI kommt bereits in unseren Produkten zum Einsatz. Wenn Sie digital auf offene Bank- und Buchhaltungsdaten zugreifen können, können Sie Querverweise zwischen verschiedenen Datentypen herstellen. Bei der Rechnungsfinanzierung können Sie beispielsweise Rechnungsdaten von einer Buchhaltungsplattform einsehen und diese mit Bankinformationen abgleichen, um sicherzustellen, dass die Zahlung auf dem Bankkonto eingegangen ist und dass Daten und Beträge korrekt sind.

Eine weitere Anwendung ist die Automatisierung der Datenverarbeitung, beispielsweise aus einem Kontoauszug oder einem Finanzbericht, der möglicherweise im PDF-Format vorliegt. In der Vergangenheit haben einige Kreditgeber diese Art von Finanzdaten gesammelt und Zeile für Zeile in ihre Systeme eingegeben. Das Problem besteht darin, dass Sie in der Lage sein müssen, Transaktionen zu definieren und sie in bestimmte Kategorien einzuteilen. Dies manuell durchzuführen, dauert lange und kann zu Fehlern führen.

Unsere Plattform kann Ausgaben automatisch kategorisieren und diese Daten in ein standardisiertes Format bringen. Innerhalb unserer API haben wir im Laufe der Zeit Millionen von Transaktionen gesehen, und wir verfügen über eine KI-Engine, die all diese verschiedenen Transaktionen untersuchen kann, um zu sehen, wie sie gekennzeichnet oder kategorisiert wurden. Sie können diese Erkenntnisse auf zukünftige Transaktionen oder andere Datensätze anwenden und sie können auch automatisch in den Entscheidungsprozess eines Kreditgebers einfließen.

GTR: Welche Rolle kann KI im Risikomanagement spielen?

Macsweeney: Nehmen Sie das Beispiel eines Rechnungsfinanzierungsmarktplatzes. In der Vergangenheit gab es möglicherweise Marktplatzunternehmen, bei denen Unternehmen Rechnungsdaten manuell eingeben konnten, um eine Finanzierung zu beantragen. Doch immer mehr Unternehmen entfernen sich davon. Jetzt werden sich Marktplätze direkt mit den Buchhaltungssystemen der Lieferanten verbinden und die Informationen von dort extrahieren. Dies verringert das Risiko, dass Rechnungen gefälscht werden, und bedeutet außerdem, dass Sie auf Informationen darüber zugreifen können, wie Kunden diese Rechnungen im Laufe der Zeit zurückgezahlt haben.

Letztendlich erhalten Sie einen ganzheitlichen Überblick über die Rechnungszahlungen und können das mit diesen Transaktionen verbundene Risiko genauer berechnen. Sie profitieren also nicht nur von der Effizienz, die sich aus der Automatisierung manueller Prozesse ergibt, sondern können auch viel mehr Vertrauen in die von Ihnen verwendeten Daten haben – die aktueller sind – und so das Risiko reduzieren.

GTR: Wie schreitet die Einführung von KI voran? Gibt es immer noch Hindernisse für die Einführung?

Macsweeney: Viele Kreditgeber experimentieren in größerem Umfang mit zusätzlichen Datenquellen und Informationsebenen, die sie darauf anwenden können, und insbesondere bei neueren Anbietern ist die digitale Erfassung dieser Daten mittlerweile weit verbreitet. Für größere Banken ist jedoch alles, was mit einer Änderung ihrer Risikostruktur einhergeht, eine Herausforderung. Diese Modelle werden streng gehütet und Änderungen sind nicht immer eine Option.

Darüber hinaus führt der Grad der Governance innerhalb einer Bank dazu, dass Projekte nur langsam in die Tat umgesetzt werden können und viele technische Ressourcen und Know-how erfordern. Das alles ist mit Kosten verbunden, und die Kosten sind umso höher, je größer die Organisation ist.

GTR: Sehen Sie mit Blick auf die Zukunft, dass Banken sich auf KI verlassen, um Kredit- oder Risikoentscheidungen vollautomatisch zu treffen?

Macsweeney : Es gibt einige Kreditgeber, die eine vollständig automatisierte Entscheidungsfindung anstreben und vorab genehmigte Kredite für kleinere Kreditgrößen anbieten, wobei Schnelligkeit und Komfort im Vordergrund stehen.

Aber das ist nicht wirklich der Bereich, in dem die meisten Kreditgeber spielen wollen. Wichtiger ist die Differenzierung in Bezug auf die Beziehung, die sie zu ihren Kunden haben. Daher ist die Automatisierung für sie nützlich, um die Langeweile manueller Prozesse zu verringern und ihnen gleichzeitig mehr Vertrauen und Einblick in die von ihnen getroffenen Kreditentscheidungen zu geben.

Die Zahlen: KI in Finanzdienstleistungen

In einer vom Technologieunternehmen Quantexa durchgeführten Umfrage unter über 600 Mitarbeitern von Finanzinstituten gaben mehr als ein Drittel der Befragten an, dass ihre Unternehmen bereits im letzten Jahr KI nutzten oder bereits Pilotprojekte oder Proof-of-Concepts im Gange seien.

Weitere 25 % gaben an, dass sie noch keine KI nutzen, dies aber in Zukunft tun wollen, während rund ein Drittel angab, derzeit keine nennenswerten Pläne für den Einsatz von KI zu haben.

In Bezug auf Anwendungsfälle gaben 19 % der Befragten an, dass sie KI zur unterstützten Entscheidungsfindung nutzen oder dies planen, indem sie analytische Modelle erstellen, die Erkenntnisse aus Daten liefern können. Weitere 17 % der Befragten gaben an, dass sie eine vollständig automatisierte, datengesteuerte Entscheidungsfindung mithilfe von KI anstreben.

9 % nannten Kreditrisikoentscheidungen als Anwendung der Technologie, während weitere 20 % eine Rolle von KI im Risikomanagement sahen, einschließlich Betrugserkennung und Gewinnung neuer Kunden.

Die Zahl der Befragten, die angaben, dass ihr Unternehmen KI-Fähigkeiten wahrscheinlich intern aufbauen würde, war ungefähr gleich hoch wie die Zahl derjenigen, die den Kauf externer Lösungen oder die Nutzung eines Systemintegrators planen.