Finanzinstitute haben jahrelang KI entwickelt: Betrugsmodelle, Kreditmodelle, Empfehlungssysteme und Risikosysteme. Diese Vielzahl aufgabenspezifischer Modelle hat sich zwar als effektiv erwiesen, wird aber durch isolierte Systeme eingeschränkt. 

Isolierte Systeme verhindern, dass Institutionen ein einheitliches Verständnis des Finanzverhaltens ihrer Kunden entwickeln. Mit dem stetigen Wachstum der Unternehmensdatensätze vergrößert sich auch die Kluft zwischen dem Wissen der Institutionen und den Analysemöglichkeiten ihrer KI – was der Branche eine große Chance eröffnet, mithilfe proprietärer Daten wertvolle Erkenntnisse zu gewinnen.

Der NVIDIA-Bericht „State of AI in Financial Services 2026“ zeigt, dass 65 % der Finanzinstitute bereits KI einsetzen, fast 90 % sie implementieren oder evaluieren und nahezu alle ihre Ausgaben beibehalten oder sogar erhöhen. Doch mit zunehmender Verbreitung von KI steigt auch die Komplexität, und fragmentierte Modellarchitekturen werden zum limitierenden Faktor.

Führende Unternehmen begegnen dieser Herausforderung, indem sie die Architektur selbst überdenken. Während die Branche früher auf statistische und maschinelle Lernalgorithmen setzte, die speziell für jeden Geschäftsbereich entwickelt wurden, ermöglichen transformatorbasierte Transaktionsmodelle nun das Erlernen einer einheitlichen Darstellung des Konsumentenverhaltens, die ausschließlich auf firmeneigenen Daten basiert.

Transaktionsfundamentmodelle sind groß angelegte KI-Systeme, die mit Milliarden von Finanzereignissen – wie Zahlungen, Überweisungen, Produktinteraktionen und Verhaltenssignalen – trainiert wurden und Rohdaten in Erkenntnisse umwandeln, um Unternehmen dabei zu helfen, ihre Kunden besser zu bedienen.

Der Wandel ist struktureller Natur. Ein traditionelles Betrugsmodell wertet isolierte Signale aus. Ein Basismodell hingegen interpretiert Verhalten im Kontext, wobei Zeitpunkt, Gerät, Ort und vorherige Aktivitäten die Bedeutung prägen. Noch wichtiger ist, dass es die Leistungsfähigkeit transformatorischer Architekturen auf tabellarische Daten überträgt und so Signale extrahiert, die traditionellen Algorithmen bisher verborgen blieben.

Eine Zahlung um Mitternacht hat eine ganz andere Bedeutung, wenn es die vierte innerhalb von zehn Minuten ist, über ein unbekanntes Gerät erfolgt und der Kunde noch nie zuvor in einer Stadt bezahlt hat. Diese Kontextualisierung verbessert die Leistung nicht nur innerhalb einzelner Aufgaben, sondern über alle Aufgaben hinweg.

In Zusammenarbeit mit NVIDIA entwickelte Revolut PRAGMA – eine Familie von Transformer-basierten Basismodellen, die mit 24 Milliarden Ereignissen aus 26 Millionen Nutzerdatensätzen in über 100 Ländern trainiert wurden. Dank NVIDIAs vollständiger KI-Plattform – darunter NVIDIA Hopper GPUs, die NVIDIA cuDF-Bibliothek und die offenen NVIDIA Nemotron -Modelle – und der Ausführung in der Nebius Cloud übertrifft ein einzelnes Basismodell leistungsstarke aufgabenspezifische Modelle in Bereichen wie Kreditwürdigkeitsprüfung, Betrugserkennung und Produktempfehlungen und reduziert gleichzeitig die Abhängigkeit von manuell erstellten Merkmalen. 

„Wir gehen von Wochen oder in manchen Fällen sogar Monaten im Bereich Feature Engineering dazu über, dass dafür überhaupt keine Zeit mehr benötigt wird“, sagte Tadas Kriščiūnas, Leiter der Abteilung Group Credit Data Science bei Revolut.

Jede Institution kann diesen Ansatz nun mit Hilfe des neuen Entwicklerbeispiels „Build Your Own Transaction Foundation Model“ von NVIDIA übernehmen . Dieses ermöglicht es Teams, Transformer-Einbettungen auf tabellarischen Transaktionsdaten zu erstellen und diese in bestehende Pipelines zu integrieren, ohne sie von Grund auf neu aufbauen zu müssen.

Die Kosten der Fragmentierung

Das Problem sind nicht die heutigen Modelle, sondern die Entwicklung. Jeder neue Anwendungsfall erfordert ein weiteres Modell. Jeder neue Markt muss neu trainiert werden. Modelle, die keinen Kontext teilen können, lassen Potenzial ungenutzt.

Mastercard entwickelt ein eigenes, umfangreiches tabellarisches Basismodell für Zahlungen, das mit Milliarden anonymisierter Transaktionen trainiert wurde und auf Hunderte von Milliarden zusätzlicher Datensätze, einschließlich Betrugs-, Autorisierungs-, Rückbuchungs-, Händlerstandort- und Kundenbindungsdaten, skalierbar ist.

Das Modell basiert auf Funktionen von NVIDIA, AWS und Databricks – darunter die Open-Source-Bibliothek NVIDIA NeMo AutoModel (Teil des NVIDIA NeMo Frameworks ) und beschleunigtes Rechnen – und soll die Abhängigkeit von einer Vielzahl von KI-Modellen über verschiedene Märkte, Kunden und Anwendungsfälle hinweg reduzieren. Erste Tests zeigen, dass es herkömmliche Machine-Learning-Verfahren übertrifft und vielversprechende Anwendungsmöglichkeiten in den Bereichen Cybersicherheit, Betrugserkennung, Kundenbindung, Personalisierung, Portfoliooptimierung und Analytik bietet. 

Adyen hat zudem Transaktionsbasismodelle in großem Umfang implementiert und verarbeitet Zahlungen im Wert von 1 Billion US-Dollar. Mithilfe von Reinforcement Learning maximiert Adyen die Konversionsrate und minimiert das Risiko für Händler. 

„Selbst geringfügige Verbesserungen wie eine Steigerung der Autorisierung um 0,1 % können zu einem massiven zusätzlichen Bruttowarenwert und erheblichen Kostensenkungen führen“, sagte Dhruv Ghulati, leitender KI-Produktmanager bei Adyen.

Semantische Schicht für agentenbasierten Handel 

42 Prozent der Finanzunternehmen nutzen bereits agentenbasierte KI oder evaluieren deren Einsatz. Da diese Systeme beginnen, Transaktionen auszuführen – wie die Verwaltung von Abonnements, die Zahlungsabwicklung und den Kauf von Waren oder Dienstleistungen – verändert sich das Finanzverhalten grundlegend.

Stripe nutzt die NVIDIA- und AWS-Plattform, um Basismodelle zu entwickeln, die den gesamten Kontext des Transaktionsverhaltens verstehen, anstatt auf einzelne Signale zu reagieren – dadurch wurden im letzten Jahr Betrugsfälle im Wert von fast 112 Milliarden Dollar verhindert und eine durchschnittliche Reduzierung der Betrugsraten um 38 % erzielt. 

Transaktionsdaten sind die firmeneigene Historie, die Wettbewerber nicht kopieren können. Die Daten sind bereits vorhanden. Die Architektur ist erprobt. Die Infrastruktur ist bereit.

Skalierung durch Ökosystempartner

Das Entwicklerbeispiel „Build Your Own Transaction Foundation Model“ steht Kunden zur Verfügung, um es auf Amazon Web Services (AWS) auszuführen, bereitgestellt mit Amazon SageMaker HyperPod, sowie auf Nebius AI Cloud – unterstützt durch NVIDIA-beschleunigtes Computing. 

Nebius AI Cloud unterstützt den gesamten Lebenszyklus des Transaktionsgrundlagenmodells – von der Bereitstellung des Entwicklerbeispiels über das Training auf mehreren Knoten bis hin zur verwalteten Inferenz auf Token Factory – unterstützt durch NVIDIA-beschleunigtes Rechnen.

Finanzdienstleistungsunternehmen können auch mit den Servicepartnern EXL, GFT IT Consulting und Thoughtworks zusammenarbeiten, um das Entwicklerbeispiel auf ihre spezifischen Anwendungsfälle anzuwenden.

EXL integriert Transaktionsgrundlagenmodelle in seine EXLerate.ai-Plattform, um isolierte Finanzdaten in einer skalierbaren, unternehmensweiten Intelligenzschicht zusammenzuführen, die auf proprietären Transaktionsdaten basiert. In Zusammenarbeit mit NVIDIA nutzt EXL diese Architektur, um Finanzinstitute bei der beschleunigten Modellentwicklung, der Verbesserung kontextbezogener Entscheidungen und der skalierbaren Implementierung von agentenbasierter KI zu unterstützen.

Thoughtworks unterstützt Finanzinstitute bei der Implementierung von Transaktionsfundamentmodellen in komplexen Bankumgebungen. Die Modelle werden in Zahlungsverkehr, Kundenservice und Risikomanagement integriert, während gleichzeitig die notwendigen Governance- und KI-Betriebsmodelle etabliert werden. Das Unternehmen präsentiert seine Transaktionsfundamentmodelle am Mittwoch, den 17. Juni, auf dem AWS Summit in New York City.

GFT IT Consulting integriert Transaktionsgrundlagenmodelle in seine Flaggschifflösungen: Wynxx, eine agentenbasierte KI-Plattform, die von über 100 Finanzinstituten für die sichere KI-Einführung in Bereichen wie Kreditrisiko genutzt wird, und Smaragd, eine Compliance-Engine, die Fehlalarme bei großen Banken um bis zu 75 % reduziert.