Plaid stellt KI-Modelle für Kredit, Betrug und Zahlungsrisiken vor

Was passiert ist

Plaid hat eine Reihe von KI-Modellen vorgestellt, die Banken und Kreditgeber dabei unterstützen sollen, Kreditentscheidungen zu präzisieren, Betrug zu erkennen und Zahlungsrisiken zu steuern. Den Bericht von Finextra zufolge basieren die Modelle auf Antrags- und Transaktionsdaten.

Damit deckt das Angebot drei eng verbundene Risikobereiche mit einem gemeinsamen datengetriebenen Ansatz ab. Kreditprüfung, Betrugserkennung und Zahlungsrisiko werden nicht mehr getrennt betrachtet, sondern über dieselbe Datengrundlage gesteuert.

Die verfügbaren Berichte nennen keine Leistungskennzahlen, Einführungstermine oder Preismodelle. Eine Bewertung der Modellqualität ist auf dieser Grundlage deshalb noch nicht möglich.

Warum es wichtig ist

Für Institute, die Kredit- und Zahlungsprozesse betreiben, verschiebt sich die Frage von »Welche Regel greift?« hin zu »Wie gut prognostiziert das Modell das Verhalten dieses Antragstellers?«. Modelle, die Antrags- und Transaktionsdaten gemeinsam auswerten, können Entscheidungen potenziell feiner abstufen als starre Schwellenwerte. Das betrifft die Organisation ebenso wie die Kundinnen und Kunden.

Aus Sicht der Customer Experience liegt der Hebel vor allem in den Reibungspunkten. Fehlalarme bei Betrugsprüfungen und unnötige Ablehnungen bei Kreditanträgen gehören zu den häufigsten Gründen, warum Kundinnen und Kunden Vertrauen in einen Anbieter verlieren. Ob solche Modelle diese Reibung tatsächlich verringern, hängt davon ab, wie transparent Entscheidungen erklärt werden und wie schnell Betroffene korrigieren können.

Die Renascence-Einschätzung

Die eigentliche Frage ist nicht, ob ein Modell genauer ist, sondern wie Kundinnen und Kunden eine automatisierte Ablehnung erleben. Wer Kredit, Betrug und Zahlung in einem Modell bündelt, sollte den Ablauf vom Kunden her denken, bevor er die Technik skaliert.

Die meisten Leserinnen und Leser werden sich auf die Genauigkeit der Modelle konzentrieren und dabei übersehen, dass jede Entscheidung eine Erklärung braucht, die ein Mensch versteht. Das Prinzip dahinter ist die Fairness der wahrgenommenen Entscheidung, nicht allein deren statistische Richtigkeit. Ein kundenorientierter Anbieter sollte deshalb zuerst festlegen, welche Begründung eine abgelehnte Person erhält, welcher Weg zur Korrektur offensteht und wie viel Zeit das kosten darf. Erst danach lohnt sich die Frage, wie fein das Modell kalibriert werden soll.