KI in der Kreditvergabe: Warum schnellere Entscheidungen nicht automatisch bessere Entscheidungen sind

KI kann Kreditrisiken frühzeitig erkennen, die klassische Bewertungsverfahren jedoch möglicherweise übersehen. © Freepik, rawpixel.com

Banken und Fintechs setzen zunehmend auf künstliche Intelligenz, um Kreditrisiken zu bewerten und Finanzierungsentscheidungen zu beschleunigen. KI ermöglicht es Kreditgebern, deutlich mehr Anträge in kürzerer Zeit zu bearbeiten. Ihr Mehrwert geht jedoch über Geschwindigkeit und Skalierbarkeit hinaus: Machine Learning kann wirtschaftliche Entwicklungen erkennen, die klassische Bewertungsverfahren möglicherweise übersehen. Entscheidend ist, wie zuverlässig diese Prognosen sind und ob sie auch unter veränderten Marktbedingungen Bestand haben.

Zwei Unternehmen beantragen einen Kredit. Beide haben vergleichbare Umsätze, ähnliche Kostenstrukturen und solide Jahresabschlüsse. Nach klassischen Bewertungskriterien erscheinen ihre Risikoprofile nahezu identisch. Ein genauerer Blick auf ihre laufenden Zahlungsströme offenbart jedoch deutliche Unterschiede: Während beim ersten Unternehmen die Einnahmen stabil bleiben, gehen beim zweiten Kundenzahlungen zunehmend unregelmäßig ein. Gleichzeitig nehmen kurzfristige Liquiditätsschwankungen zu.

Solche Veränderungen können frühzeitig auf wirtschaftliche Schwierigkeiten hinweisen. KI kann diese Entwicklungen systematisch analysieren, Kreditprüfungen beschleunigen und es Kreditgebern ermöglichen, mehr Anträge zu bearbeiten. Vor allem aber verändert sie die Informationsgrundlage, auf der Finanzierungsentscheidungen getroffen werden.

Ein Gastbeitrag von Gion van den Bogaert, Co-Founder und CEO von Floryn.

Wie Machine Learning Kreditrisiken erkennt

Klassische Bonitätsmodelle basieren häufig auf festgelegten Finanzkennzahlen und statistischen Zusammenhängen. Machine-Learning-Verfahren können darüber hinaus aus historischen Datensätzen lernen, welche Kombinationen finanzieller Merkmale mit späteren Zahlungsschwierigkeiten oder Kreditausfällen verbunden waren.

Dabei geht es weniger um einzelne auffällige Transaktionen als um das Zusammenspiel mehrerer Faktoren. Sinkende Kontobestände müssen für sich genommen kein Problem darstellen. Treten sie jedoch gleichzeitig mit unregelmäßigen Kundenzahlungen und steigenden laufenden Verpflichtungen auf, kann dies auf finanzielle Engpässe hindeuten.

Die technische Herausforderung besteht darin, solche Zusammenhänge in aussagekräftige Merkmale zu übersetzen. Neben durchschnittlichen Zahlungseingängen können dazu etwa deren Schwankungsbreite, die Entwicklung wiederkehrender Ausgaben oder Veränderungen der verfügbaren Liquidität zählen. Ein gut trainiertes Modell kann so zwischen Unternehmen mit ähnlichen Bilanzen unterscheiden, sofern die erkannten Muster tatsächlich Rückschlüsse auf zukünftige Risiken zulassen.

© Gion van den Bogaert, Floryn

Wenn Algorithmen die Vergangenheit auswendig lernen

Mit leistungsfähigeren Algorithmen wächst die Möglichkeit, komplexe Zusammenhänge zu modellieren. Das erhöht jedoch auch das Risiko des sogenannten Overfittings. Dabei lernt ein System nicht nur relevante Muster, sondern auch zufällige Besonderheiten seiner Trainingsdaten. Auf bekannten Datensätzen erzielt es dadurch möglicherweise hervorragende Ergebnisse, während seine Prognosen bei neuen Kreditanträgen deutlich schlechter ausfallen.

Gerade in der Unternehmensfinanzierung ist diese Gefahr relevant. Geschäftsmodelle, Branchen und wirtschaftliche Rahmenbedingungen unterscheiden sich erheblich. Ein Modell, das anhand historischer Daten aus einer Wachstumsphase trainiert wurde, muss während einer Rezession nicht gleichermaßen zuverlässig funktionieren.

Eine weitere Herausforderung ist der sogenannte Model Drift: Verändern sich das Zahlungsverhalten von Unternehmen oder die Profile der Kreditnehmer, können bisher zuverlässige Risikomerkmale an Prognosekraft verlieren.

Die Leistungsfähigkeit eines Kreditmodells muss deshalb regelmäßig anhand neuer Daten überprüft werden. Entscheidend ist nicht, wie präzise ein Algorithmus die Vergangenheit beschreibt, sondern wie zuverlässig er zukünftige Entwicklungen vorhersagt.

Was eine gute KI-Prognose tatsächlich ausmacht

Ob ein Modell diese Anforderung erfüllt, lässt sich anhand verschiedener Kennzahlen beurteilen. Die Trennschärfe beschreibt beispielsweise, wie gut ein System Kreditnehmer mit unterschiedlichen Ausfallrisiken voneinander unterscheiden kann. Die Kalibrierung zeigt dagegen, ob prognostizierte Ausfallwahrscheinlichkeiten mit den tatsächlich beobachteten Ausfallhäufigkeiten übereinstimmen.

Beide Eigenschaften sind wichtig. Ein Modell kann Unternehmen korrekt nach ihrem relativen Risiko ordnen und trotzdem die absolute Wahrscheinlichkeit eines Kreditausfalls systematisch unterschätzen. Daraus könnten falsche Risikoprämien oder unzureichende Sicherheitsmargen entstehen.

Für Finanzinstitute kommt es daher auf eine kontinuierliche Erfolgskontrolle an. Prognostizierte Risiken müssen mit tatsächlichen Kreditergebnissen abgeglichen werden. Nur so lässt sich beurteilen, ob ein Modell wirtschaftlich belastbare Entscheidungen unterstützt oder lediglich statistisch überzeugende Ergebnisse liefert.

Wo Automatisierung einen echten Mehrwert schafft

Über die Risikobewertung hinaus kann KI Aufgaben wie die Dokumentenverarbeitung, die Zuordnung von Zahlungsvorgängen und die Erkennung auffälliger Veränderungen in Kreditportfolios automatisieren. Das reduziert manuelle Tätigkeiten, beschleunigt die Bearbeitung und ermöglicht es Kreditgebern, mehr Anträge zu bearbeiten, ohne dass der Personalaufwand im gleichen Maße steigen muss.

Dabei sollten zwei Funktionen unterschieden werden: die Automatisierung des Prüfprozesses und die eigentliche Risikoeinschätzung. Während sich standardisierte Abläufe vergleichsweise gut automatisieren lassen, können komplexe Finanzierungssituationen zusätzliche fachliche Bewertungen erfordern.

Das gilt beispielsweise für Unternehmen, die ihr Geschäftsmodell grundlegend verändern, neue Märkte erschließen oder vorübergehend außergewöhnliche Ausgaben verzeichnen. Historische Daten können solche Entwicklungen nicht immer ausreichend erklären.

So bilden bei Floryn beispielsweise datenbasierte Risikomodelle einen wesentlichen Bestandteil der Kreditprüfung. Die Verbindung automatisierter Analysen mit finanzwirtschaftlicher Expertise ermöglicht es, standardisierte Prozesse effizient zu gestalten und besondere Risikokonstellationen gesondert zu betrachten.

Die Zukunft gehört den präziseren Risikomodellen

Der Wettbewerb zwischen Finanzierungsanbietern dürfte künftig stärker davon geprägt sein, wie genau sie Ausfallrisiken einschätzen. Die Fähigkeit, Kreditanträge schnell und in großer Zahl zu bearbeiten, bleibt ein bedeutender Wettbewerbsvorteil. Geschwindigkeit allein reicht jedoch nicht aus, um sich von anderen Anbietern abzuheben, wenn sie nicht mit zuverlässigen und präzisen Risikobewertungen einhergeht.

Kreditgeber müssen ihre Modelle daher kontinuierlich überprüfen und Erkenntnisse aus tatsächlichen Kreditausfällen in deren Weiterentwicklung einfließen lassen, um die Prognosegenauigkeit zu verbessern.

Die eigentliche Chance liegt darin, die Geschwindigkeit und Skalierbarkeit von KI mit zuverlässigen Risikobewertungen zu verbinden. Ziel sollte es nicht sein, möglichst viele Entscheidungen zu automatisieren, sondern Risiken besser zu verstehen und auf dieser Grundlage Kapital sowohl effizient als auch verantwortungsvoll bereitzustellen.

Über Gion van den Bogaert:

Gion van den Bogaert ist Co-Founder und CEO des niederländischen Fintechs Floryn. Er war zuvor unter anderem bei ABN AMRO im Bereich Unternehmensfinanzierung und Restrukturierung tätig. Bei Floryn verantwortete er zunächst als Chief Financial and Risk Officer die Finanz- und Risikofunktionen, bevor er die Rolle des CEO übernahm. Das Unternehmen ist seit 2026 auch auf dem deutschen Markt aktiv und auf datenbasierte Finanzierungslösungen für kleine und mittlere Unternehmen spezialisiert.