Leading with Trust – Können Schweizer Banken die Zukunft der souveränen KI mitgestalten? 

Paula Reichenbarg und Leif-Nissen Lundbæk, CEO & Co-Founder Noxtua am Digital Finance Day

Die Diskussion konzentrierte sich auf die Bausteine vertrauenswürdiger KI, die Herausforderungen bei Infrastruktur und Daten sowie die Zukunft der Zusammenarbeit im Bereich Digital Finance. Im Interview mit Paula Reichenberg, fasst Andrea Luca Aerni, Policy Advisor Digital Finance, die Kernthemen und Erkenntnisse der Session zusammen.

Andrea: Paula, die Session begann mit der Frage nach Vertrauen und Souveränität bei KI. Warum sind diese Konzepte heute für die Schweizer Bankbranche so entscheidend?

Paula: Vertrauen ist das Fundament des Schweizer Bankenplatzes, und mit dem Eintritt in das KI-Zeitalter wird Souveränität ebenso wichtig. Meiner Ansicht nach bedeutet souveräne KI im Kontext von Finanzdienstleistungen, dass Schweizer Banken in der Lage sein sollten, eine weitgehende autonome Kontrolle über den gesamten Technologie-Stack auszuüben – vom Basismodell bis zur Bereitstellung. Dabei muss die Einhaltung relevanter Schweizer und EU-Gesetze, der Datenschutz und ethische Standards gewährleistet sein. Es geht nicht nur um Technologie, sondern darum, das Vertrauen unserer Kunden zu bewahren, insbesondere wenn wir mit sensiblen Finanz- und Rechtsdaten arbeiten.

In der Session wurde das Apertus-Modell als potenzieller Baustein für souveräne KI hervorgehoben. Was zeichnet Apertus aus und warum ist es für Schweizer Banken relevant?

Apertus ist ein vertrauenswürdiges, neutrales Sprachmodell (LLM), das vollständig offen und transparent ist. Banken können es prüfen, anpassen und unter ihren eigenen regulatorischen Standards und Anforderungen feinabstimmen. Es ist multilingual und unterstützt über 1’000 Sprachen, einschliesslich Schweizerdeutsch. Vor allem ist es konform mit dem EU AI Act und den Schweizer Datenschutzgesetzen, was es zu einem starken Kandidaten für Banken macht, die sowohl Leistung als auch Souveränität suchen. Die Möglichkeit zur Anpassung und die Nutzung modularer, agentenbasierter Ansätze bedeuten, dass Banken spezifische Anforderungen – wie den Umgang mit sensiblen Daten oder das regulatorische Reporting – mit Zuversicht angehen können. Das erste Release 1.0 schafft den Rahmen für Souveränität und Compliance, während kommende Reasoning-Modelle, die logische Schlussfolgerungen ermöglichen und «Mixture of Experts»-Architekturen, bei denen spezialisierte Untermodelle für Fachfragen zusammenwirken, die Leistungsfähigkeit liefern werden, die Bankanwendungen erfordern. Diese Roadmap ermöglicht es Banken, ihre Strategien für souveräne KI um Funktionen herum zu planen, die speziell für sensible Daten und regulatorische Berichterstattung entwickelt wurden.

Die Infrastruktur war ein grosses Thema, insbesondere die hybriden Strategien, die Schweizer Banken nutzen. Was sind die wichtigsten Überlegungen bei der Gestaltung einer KI-Infrastruktur? 

Laut den Panelteilnehmern und Teilnehmenden der Session stehen Banken vor einer komplexen IT-Landschaft. Viele nutzen einen hybriden Ansatz – sie kombinieren On-Premises-Lösungen für sensible Aufgaben, wie Betrugserkennung oder Compliance, mit cloudbasierten Modellen für weniger sensible Funktionen bspw. Sprachbiometrie oder das Scannen von Dokumenten. Entscheidend ist, dass die Datenströme sicher fliessen und klare Grenzen zwischen internen und externen Quellen bestehen. Das Infrastrukturdiagramm der Session veranschaulichte den Ansatz einer Bank zur Integration interner Daten, externer APIs und Cloud-KI-Modellen, wobei Sicherheit und Compliance als leitende Prinzipien dienten. Die Wahl der Infrastruktur wirkt sich direkt darauf aus, welche Anwendungsfälle realisierbar sind und wie schnell Banken innovativ sein können. Dies bedeutet auch, dass Banken oft einen pragmatischen Ansatz verfolgen müssen, bei dem weit verbreitete Modelle auf Public-Cloud-Infrastrukturen genutzt werden und Souveränitätsaspekte nicht immer oberste Priorität haben.

Die Folien der Session listeten Dutzende von Faktoren auf, die die Qualität der KI-Ergebnisse beeinflussen – von der Datenauswahl bis zum Prompt Engineering. Welche davon hältst du für Banken für am kritischsten? 

Die Datenstrukturierung ist der kritischste Faktor, wobei sie in verschiedenen Phasen unterschiedlich wirkt. Die Qualität der Basis-Trainingsdaten und der Datensätze für das Fine-Tuning prägen das allgemeine Verständnis der KI für bankenspezifische Anfragen. Bei implementierten Systemen ist jedoch entscheidend, wie das Modell während der Inferenz mit den bankeigenen Daten interagiert. Wie Banken ihre internen Datensätze strukturieren – und auf welche strukturierten externen Quellen sie zugreifen können – bestimmt die Qualität der Ergebnisse in der Praxis. Weitere wichtige Faktoren sind die Modellarchitektur, die Häufigkeit des Fine-Tunings und die Sicherheitseinstellungen rund um die Inferenz. Im Finanz- und Rechtskontext ist zudem die Rückverfolgbarkeit entscheidend: Die Transparenz darüber, welche Daten vom Modell gefunden, ausgewählt und zitiert wurden, unterstützt sowohl die Compliance als auch die Revisionsfähigkeit. Letztlich machte die Session deutlich, dass jedes Detail – von der Serverarchitektur bis zur Anreicherung der Prompts – die Vertrauenswürdigkeit und den Nutzen der KI-Ergebnisse im Bankwesen beeinflussen kann.

Mit Blick in die Zukunft: Wie können Schweizer Banken potenziell zusammenarbeiten, um die Einführung souveräner KI zu beschleunigen und Doppelspurigkeiten zu vermeiden? 

Die Session hat gezeigt, dass in bestimmten Bereichen, in denen Banken nicht unbedingt als Wettbewerber auftreten, Zusammenarbeit der richtige Weg ist. So haben wir in der Session auch über Federated Learning und Federated RAG (Retrieval-Augmented Generation) diskutiert. Diese ermöglichen es Banken, Erkenntnisse sicher zu teilen und auf strukturierte, nicht vertrauliche Experten-Datensätze zuzugreifen, ohne Souveränität und Kontrolle zu gefährden. Projekte wie die vorgeschlagene „Hive-Architektur“ zielen darauf ab, gemeinsame Plattformen zu schaffen, auf denen Banken sowohl mit eigenen als auch mit Drittanbieter-Daten interagieren können. So profitieren sie von kollektiver Intelligenz bei gleichzeitiger Wahrung strikter Kontrollen. Durch die Zusammenarbeit können Schweizer Banken neue Standards für vertrauenswürdige, souveräne KI setzen – ergänzend zur Nutzung bewährter Standardlösungen. 

Vielen Dank, Paula, für diese Einblicke und bis zum nächsten Digital Finance Day!