KI im Risikomanagement für Banken

Kursüberblick

Künstliche Intelligenz entwickelt sich zunehmend zum strategischen Faktor im Risikomanagement von Banken. Zwischen regulatorischem Druck, steigenden Datenmengen und wachsendem Effizienzdruck entstehen laufend neue Einsatzmöglichkeiten für Machine Learning, Predictive Analytics, Generative AI und Large Language Models (LLMs). Gleichzeitig rücken Fragen rund um Transparenz, Governance und Modellrisiken stärker in den Fokus.
Genau an dieser Schnittstelle verbindet das Seminar technologische Grundlagen mit regulatorischen Anforderungen und konkreten Anwendungsfällen aus der Bankpraxis. Im Mittelpunkt stehen typische Einsatzfelder wie Frühwarnsysteme, Szenariosimulationen, automatisiertes Reporting, Anomalie-Erkennung oder KI-gestützte Risikomodelle. Praxisnah wird aufgezeigt, wo KI echten Mehrwert schafft, welche Risiken berücksichtigt werden müssen und worauf Banken bei der Einführung achten sollten.
Auch aktuelle Vorgaben wie der EU AI Act, EBA-Leitlinien sowie Anforderungen von FMA und BaFin werden verständlich eingeordnet. Themen wie KI-Governance, Modellvalidierung, Datenqualität und Verantwortlichkeiten entlang des KI-Lifecycles zeigen, welche organisatorischen Voraussetzungen für einen sicheren und compliant Einsatz entscheidend sind.
Workshops, Praxisbeispiele und konkrete Use Cases unterstützen dabei, eigene KI-Projekte realistisch zu bewerten und tragfähige Strukturen für die Umsetzung im Bankenumfeld zu entwickeln.

Kursinhalte

• Funktionsweise zentraler KI-Methoden: ML, NLP, NN,Predictive Analytics, GenAI, LLM
• Einfluss auf Risikomanagement, Früherkennung, Reporting und Steuerung
• Abgrenzung: KI vs. traditionelle Modelle
• Sie verstehen, wie KI das Risikomanagement verändert und wo die größten Potenziale und Risiken liegen

• Überblick: EU AI Act, EBA-Guidelines, FMA, BaFin
• Governance und kontrollierte Einführung
• Sie kennen die zentralen regulatorischen Anforderungen und erkennen, was „konforme“ KI-Modelle auszeichnet

• ML, NLP, NN, Predictive Analytics & GenAI (LLM) im Tagesgeschäft
• Use Cases: Modelle für materielle Risikoarten, Szenariosimulation, Compliance
• Sie können KI-Projekte risikobewusst planen und kennen zentrale regulatorische Anforderungen.

• Rollenmodell: Risiko, Data Science, IT, Compliance
• Verantwortlichkeiten im KI-Lifecycle (Modellgovernance, -entwicklung, deployment und validierung, Datenbereitstellung, Monitoring, Reporting)
• Erfolgsfaktoren für KI-Projekte in Banken
• Workshop: Planung eines KI-ProjektsKleingruppen: Entwicklung einer KI-Projektidee
• Bewertung KI-Use Cases und Entwicklung von Projektgovernance
• Berücksichtigung regulatorischer Vorgaben, Risikosteuerung, Datenanforderungen
• Sie können Use Cases bewerten und auf die eigene Organisation übertragen, von Risikomessung bis regulatorischem Compliance. 

• Reflexion: Welche Use Cases sind für die eigene Bank realistisch?
• Governance-Checkliste für KI-Einführungen

• Know-how-Aufbau umfasst Data-Literacy-Trainings für Teams
• Schnittstellen regeln Zusammenarbeit von Data Science und Compliance
• Rollenmodelle definieren Verantwortlichkeit für Modellvalidierung

Zielgruppe

• Risikomanager*innen in Banken, Finanzinstituten und Kreditinstituten
• Mitarbeiter*innen in den Bereichen:
  • Risikocontrolling und Risk Governance
  • Kreditrisiko, Markt-/Liquiditätsrisiko, Operationelles Risiko, ESG-Risiken
  • Compliance, Regulatory Affairs und interne Revision
  • Data Analytics, Data Science und Modellvalidierung
• Führungskräfte und Spezialist*innen, die KI-gestützte Risikomodelle verantworten oder implementieren
• Jurist*innen und Compliance Officer, die Anforderungen aus dem EU AI Act, der European Banking Authority (EBA), FMA und der BaFin beurteilen müssen
• IT- und Projektverantwortliche, die KI-Projekte im Risikomanagement begleiten