Liefert ein KI-Agent die bessere Kreditprognose?

Kaum eine Diskussion in der Banksteuerung kommt derzeit ohne sie aus: die Frage, ob wir mit KI vieles besser machen können. Oft begegnet mir die Erwartung, ein KI-Agent werde bald eine bessere Kreditprognose liefern – einen treffsichereren erwarteten Verlust, eine genauere Ausfallwahrscheinlichkeit.

Ich finde das spannend, setze aber bewusst ein Fragezeichen dahinter. Bevor wir fragen, ob KI es besser kann, lohnt ein Blick darauf, was bei der Kreditprognose überhaupt passiert.

Die Arbeit passiert eine Ebene vor der Formel

Bleiben wir beim erwarteten Verlust – Ausfallwahrscheinlichkeit × Verlustquote × Kredithöhe, also PD × LGD × EAD. Wirkt wie eine bekannte Größe. Ist er aber nicht. Schauen wir uns die PD an: Die PD ist keine Beobachtung, sondern eine Schätzung – klassisch über die logistische Regression, oft mit Weight-of-Evidence, im Rating und in der Bonitätsprüfung. Bis heute der dominierende statistische Standard. Die eigentliche Arbeit passiert also eine Ebene vor der Formel.

Der Einwand liegt nahe: Die PD liefert doch der Modelldienstleister, nachrechnen kann ich sie ohnehin nicht – also nicht mein Problem. Doch – ist es. Die Verantwortung für die Angemessenheit des Modells bleibt im Haus. MaRisk verlangt, dass das Institut seine Modelle versteht und validiert. Und Validierung heißt nicht nachrechnen, sondern überprüfen, ob das Modell hält, was es verspricht: über Backtesting, den Abgleich prognostizierter und tatsächlicher Ausfallraten, Trennschärfemaße wie den Gini-Koeffizienten. Das leisten wir längst – und keine Hoffnung auf die eierlegende Wollmilchsau entbindet uns davon.

Kann ein KI-Agent es besser?

Zwei Dinge werden oft übersehen.

Erstens: Ein KI-Agent rechnet die Prognose in aller Regel nicht mit dem Sprachmodell selbst. Im Hintergrund greift er auf bewährte Verfahren zurück – typischerweise Gradient Boosting für die PD. Studien, etwa der Bank für Internationalen Zahlungsausgleich, zeigen deren hohe Treffsicherheit. Das Sprachmodell orchestriert und erklärt, die Schätzung bleibt aber prüfbare Statistik.

Zweitens – der Kern: Egal wer rechnet und womit, das Grundproblem bleibt. Ein trennschärferes Modell sortiert vielleicht sauberer. Aber es zeigt weiter nur Korrelation, nicht Kausalität – Muster, nicht Gründe. Mehr Trennschärfe bedeutet nicht mehr Verständnis – und verführt dazu, dem Modell mehr Ursächlichkeit zuzutrauen, als drinsteckt.

Deshalb bleibt der Mensch mit Fachwissen im Mittelpunkt: als der, der beurteilt, ob ein Zusammenhang fachlich Sinn ergibt – und der die Verantwortung trägt, die kein Dienstleister und kein Agent übernimmt.

Die Frage ist also nicht, ob KI die logistische Regression ablöst. Sondern ob wir verstehen, was diese Modelle wirklich tun.