Über Andrei Serjantov: Leiter des Bereichs Digital Global Markets bei BNP Paribas CIB, wo er die digitale Transformation und AI im Investmentbanking-Sektor vorantreibt.
Über BNP Paribas CIB: Der Unternehmens- und institutionelle Bankbereich von BNP Paribas (Konzernumsatz ca. 46 Mrd. €), der weltweit mehr als 13.000 Unternehmens- und institutionelle Kunden betreut.
Über Nathalie Beslay: CEO und Mitbegründerin von naaia, einer RegTech-Unternehmerin, die sich darauf spezialisiert hat, Unternehmen bei der Verwaltung AI unter strengen regulatorischen Auflagen zu unterstützen.
Über naaia: Ein spezialisiertes Technologieunternehmen, das eine SaaS-Plattform (AIMS – AI System) für AI , Compliance und Aufsicht bereitstellt; der Schwerpunkt liegt auf der Überbrückung der Kluft zwischen statischen Vorschriften und dynamischen AI .
Über Cyril Cymbler: Leiter des Bereichs Finanzdienstleistungen (EMA) bei Databricks, Experte für die Umwandlung data Data zur Wertschöpfung.
Über Databricks: Ein weltweit führendes Unternehmen im Bereich data AI Data ) mit einem Unternehmenswert von ca. 43 Mrd. US-Dollar (2023), dessen Ziel es ist, data, Analysen und AI Unternehmensanwendungen zu vereinen.
Warum ist es gerade jetzt dringend notwendig, data Vertrauens- und data im Finanzsektor neu zu gestalten?
Cyril Cymbler: Diese Notwendigkeit ergibt sich aus drei Faktoren. Erstens data das exponentielle Wachstum strukturierter und unstrukturierter data die Bewältigung enormer Arbeitslasten, um leistungsfähige Agenten zu entwickeln. Zweitens vollzieht die Branche einen Wandel von „General Intelligence“ (Standard-ChatGPT, ~55 % Genauigkeit) hin zuData (strukturierte Analyse-Engines, >80 % Genauigkeit/Konversionsrate). Drittens ist Governance unverzichtbar; ohne strenge data scheitern selbst die besten ML-Modelle aufgrund des Prinzips „Garbage In, Garbage Out“.
Andrei Serjantov: Es geht um Effizienz, Reichweite und Leistungsfähigkeit. AI Banken, bestehende Aufgaben schneller zu erledigen, ein breiteres Spektrum an Risiken abzudecken (Risiken A, B und C statt nur A) und bisher unmögliche Aufgaben zu bewältigen, wie beispielsweise die Auswertung riesiger Dokumentenmengen zur Stimmungsanalyse im Aktienresearch.
Welche konkreten, wirkungsvollen Anwendungsfälle werden im Investmentbanking eingesetzt?
Andrei Serjantov: Über allgemeine Anwendungen (Programmierung, Übersetzung) hinaus konzentriert sich BNPP auf eine tiefgreifende vertikale Integration. Im Bereich der Aktien- und Rentenanalyse gibt es über ein Dutzend Anwendungsfälle, die die Pipeline zur Dokumentenerstellung grundlegend verändern. Die Arbeitsabläufe der Kunden werden erheblich optimiert, indem große Sprachmodelle (LLMs) Entwürfe für Antworten auf Handelsbestätigungen der Kunden erstellen. Diese Strategie ist allgegenwärtig: Es ist mittlerweile schwieriger, Bereiche zu finden, in denen keine AI zum Einsatz kommt, AI solche, in denen dies der Fall ist.
Wie gehen Unternehmen mit den besonderen Herausforderungen einer „autonomen“ AI statischer Regulierung um?
Nathalie Beslay: Der zentrale Konflikt besteht darin, dass Vorschriften (wie das AI ) statisch sind, während agentische AI dynamisch AI . Die Herausforderung liegt darin, Agenten anhand strenger regulatorischer Definitionen einzuordnen ( AI . AI ). Da Agenten zudem autonom sind, müssen Unternehmen Rollen und „Berechtigungen“ streng verwalten, um sicherzustellen, dass Agenten sicher mit menschlichen und digitalen Umgebungen interagieren.
Wie sollte eine Bank die Neugestaltung ihrer AI nach dem „Zero-to-One“-Prinzip technisch umsetzen?
Cyril Cymbler: Die Umsetzung erfordert einen auf drei Säulen basierenden Geschäftsansatz: Wachstum, Schutz (Risiko/Compliance) und Kosteneffizienz. Technologisch muss die Plattformcloud seincloud um die DORA-Vorschriften zur data zu erfüllen), auf Open Source basieren (um data zu gewährleisten) und einer strengen Governance unterliegen (mit data , um die Produktentstehung für Auditoren nachverfolgen zu können). Schließlich AI demokratisiert werden, damit Führungskräfte data natürlicher Sprache abfragen können, ohne auf technische Spezialisten angewiesen zu sein.
Wie lässt sich „vertrauenswürdige AI(Compliance, Ethik, Verantwortung) in die Praxis umsetzen?
Nathalie Beslay: Vertrauenswürdigkeit basiert auf drei Säulen: Compliance (verbindlich), Ethik (menschenzentriert) und Verantwortung (Rechenschaftspflicht). naaia setzt dies mithilfe eines SaaS-Ansatzes um, dessen Schwerpunkte auf Governance (Gestaltung von Rollen/Entscheidungsbäumen), Integration (Einbindung von Tests/Überwachung in IT-Systeme) und Umsetzung (Durchsetzung der Dokumentation) liegen. Passives Reagieren auf Beschwerden ist keine Strategie; es bedarf einer proaktiven Programmumsetzung, um wirtschaftliche Schäden und Reputationsverluste zu mindern.
Wie sieht die Strategie in Bezug auf „Selbstentwicklung vs. Zukauf“ und Partnerschaften (z. B. Mistral) aus?
Andrei Serjantov: Die BNPP ist frühzeitig eine Partnerschaft mit Mistral eingegangen, um die Vorteile der On-Premise-Fähigkeiten zu nutzen und sicherzustellen, dass data die sichere Umgebung der Bank data verlassen. Sie legen den Schwerpunkt darauf, kleinere, energieeffiziente Modelle anhand proprietärer data zu optimieren, data riesige Grundmodelle von Grund auf neu zu trainieren. Diese Kombination aus externem technischem Fachwissen und interner Risikomanagement-DNA ermöglicht eine sichere Implementierung für spezifische Anwendungsfälle.
