Die Chancen der KI in Baufinanzierung heutigen Baufinanzierung

„Was sind Baufinanzierungen die Hindernisse, die der Einführung von KI in Baufinanzierungen im Wege stehen?“

Es ist eine trügerisch einfache Frage, denn die einfachen Antworten „Modelle sind nicht gut genug“ oder „Dokumente sind zu unübersichtlich“ sind nicht richtig. Stattdessen argumentiert Geert van Kerckhoven, Gründer und CEO von Oper:

„Die einzige Hürde besteht derzeit darin, dass aus Compliance- und Risikosicht nur begrenzte Transparenz hinsichtlich der Vorschriften besteht … Wenn dies nicht klar ist, lautet die Antwort: Lassen wir es lieber bleiben.“

Technisch gesehen Baufinanzierungen die Bausteine für KI-gestützte Baufinanzierungen bereits vorhanden:

• OCR- und layoutbewusste Bild-Sprach-Modelle können unter kontrollierten Bedingungen zuverlässig Felder aus Gehaltsabrechnungen, Steuerbescheiden und Immobilienbewertungen extrahieren.
• Open Banking und nationale Datenbahnen (wie das niederländische HDN und die Einkommensüberprüfung durch die UWV) können Einkommens- und Vermögensmerkmale innerhalb weniger Minuten validieren.
• Große Sprachmodelle (LLMs) können Underwriting-Handbücher lesen, Richtlinien erläutern und sogar Entscheidungsbegründungen zusammenstellen.

Was das Tempo in Europa bestimmt, ist nicht die Leistungsfähigkeit der Modelle, sondern drei Dinge:

1. Regulatorische Klarheit – Der EU-KI-Gesetzentwurf stuft KI, die zur Bewertung der Kreditwürdigkeit eingesetzt wird, ausdrücklich als risikoreich ein und sieht dafür strenge Auflagen vor.
2. Governance und Überprüfbarkeit – Aufsichtsbehörden erwarten dokumentierte Datenherkunft, Modellüberwachung und menschliche Kontrolle gemäß Rahmenwerken wie den EBA-Leitlinien für die Kreditvergabe und -überwachung (LOM).
3. Datenrealität – In einigen Märkten läuft alles über APIs, in anderen kommen die Einnahmen noch immer als gescannte PDFs oder sogar Faxe.

Die These: schrittweise, Compliance-orientierte Operationalisierung

Die Versuchung ist groß, direkt auf Baufinanzierung Ein-Klick Baufinanzierung hinzuarbeiten : in ein Haus gehen und in Echtzeit ein Angebot erhalten.

„Ich denke, dass es technisch gesehen keine wirklichen Hindernisse gibt... Aber wenn Sie das sofort umsetzen möchten, müssen zunächst zahlreiche Compliance-Aufgaben erledigt werden.“

Stattdessen plädiert Oper für einen anderen Weg:

• Beginnen Sie mit risikoarmen, ROI-starken Anwendungsfällen mit engem Anwendungsbereich, die selbst keine Kreditentscheidung treffen oder wesentlich beeinflussen (z. B. Dokumentenklassifizierung, Extraktion von Schlüsselfeldern mit menschlicher Überprüfung, Analyse von Richtlinien, Produktvorauswahl).
• Verknüpfen Sie diese Automatisierungen im Laufe der Zeit miteinander und schaffen Sie so die Governance, die Prüfpfade und die Sicherheit, die letztendlich eine durchgängige Risikoprüfung ermöglichen.
• Entwerfen Sie alles unter Berücksichtigung der Compliance, in Übereinstimmung mit dem EU-KI-Gesetz, EBA LOM, DORA, DSGVO und den nationalen Aufsichtsanforderungen.

Sie können innerhalb von 12 bis 24 Monaten bedeutende Effizienzsteigerungen erzielen und Ihr Unternehmen in aller Ruhe auf vollständig automatisierte Entscheidungen vorbereiten, sobald die Regulierung und die interne Governance aufholen.

Was behindert KI tatsächlich in Baufinanzierungen?

Regulatorische Unklarheiten und Modellrisiken in der Praxis

Im endgültigen Text des EU-KI-Gesetzes werden KI-Systeme, die „zur Bewertung der Kreditwürdigkeit natürlicher Personen oder zur Ermittlung ihrer Bonität“ eingesetzt werden, ausdrücklich als risikoreich eingestuft. Diese Einstufung bringt strenge Verpflichtungen mit sich:

• Risikomanagement- und Kontrollrahmen
• Datenverwaltung und Qualitätsprozesse
• Detaillierte technische Dokumentation und Protokollierung
• Transparenz für die Nutzer und klare menschliche Aufsicht
• Genauigkeit, Robustheit und Cybersicherheitsstandards

Gleichzeitig stellt Artikel 6 Absatz 3 klar, dass eng gefasste, verfahrenstechnische Systeme, die keinen wesentlichen Einfluss auf eine Entscheidung haben – beispielsweise die Klassifizierung von Dokumenten oder die Umwandlung einer PDF-Datei in strukturierte Daten mit menschlicher Validierung –, außerhalb der Kategorie mit hohem Risiko bleiben können.

Die Herausforderung besteht darin, dass die meisten Banken noch kein solides internes Regelwerk haben, um zu entscheiden, was „wesentlicher Einfluss“ ist und was nicht. Daher lautet die sicherste Antwort der Compliance- und Risikoteams oft: „Lassen wir es vorerst sein.“

Risikoposition europäischer Banken nach der Krise

Diese Vorsicht kam nicht von ungefähr. Nach der Finanzkrise von 2008 haben die europäischen Aufsichtsbehörden ihre Anforderungen in Bezug auf Governance, Dokumentation und Modellrisikomanagement verschärft. Die Leitlinien der EBA zur Kreditvergabe und -überwachung haben dies für Kreditprozesse kodifiziert: Banken müssen nachweisen, dass jede Kreditentscheidung auf ausreichenden, verifizierten Daten basiert und dass alle verwendeten Modelle gut verstanden und kontrolliert werden.

Oder, um es direkter auszudrücken:

„Wenn es nicht klar ist, lautet die Antwort: Lassen wir es sein.“

Mit dem Inkrafttreten von DORA sind die Anforderungen an IKT-Risiken, Protokollierung und die Überwachung durch Dritte noch strenger geworden. Das ist ein weiterer Grund, warum KI-Pilotprojekte, die sich mit Eingabedaten befassen (Klassifizierung, Extraktion), einfach leichter zu verteidigen sind als solche, die direkt Kreditentscheidungen treffen oder außer Kraft setzen.

Kein technisches Problem: LLMs sind leistungsfähig, aber die Governance hinkt hinterher

Aus rein technologischer Sicht sind wir viel näher an der automatisierten Risikoprüfung, als viele annehmen:

• Layoutbewusste Dokumentmodelle erzielen hohe F1-Werte bei öffentlichen Benchmarks zur Informationsgewinnung aus Schlüsseldaten wie SROIE und FUNSD.
• LLMs können lange, unübersichtliche Richtlinientexte interpretieren und maschinenlesbare Regeln sowie für Menschen verständliche Erklärungen ausgeben.
• Orchestrierungstools können diese Schritte zu vollständigen Workflows verknüpfen.

Diese technologische Fähigkeit bringt uns schon ein gutes Stück weiter:

„Um eine vollständig automatisierte Risikoprüfung zu erreichen, muss man in der Lage sein, ein Kundenprofil zu erstellen, die Dokumente zu lesen ... Viele dieser Schritte können bereits mit KI automatisiert werden.“

Die Blocker sind also:

• Reifegrad der Governance (Modellinventar, Tests, Überwachung)
• Dokumentation und Erklärbarkeit auf regulatorischem Niveau
• Komfort in Bezug auf Risiken und Compliance, da KI kontrolliert wird und keine Black Box ist

Wo KI derzeit einen Mehrwert schaffen kann (Anwendungsfälle mit geringem Risiko und hoher Kapitalrendite)

Dokumentenklassifizierung und Extraktion von Schlüsselfeldern

„Die Achillesferse ist heute ganz einfach. Es ist die Extraktion aus Papierdokumenten.“

In API-reichen Märkten ist ein Großteil der Baufinanzierung maschinenlesbar. In anderen Märkten (wie Deutschland, Teilen der Benelux-Länder und Südeuropa) werden Einkommens- und Eigentumsnachweise nach wie vor als PDF-Dateien oder Scans übermittelt. Genau hier kann KI einen unmittelbaren Mehrwert schaffen, ohne sich in risikoreiche Bereiche zu begeben.

Was ist jetzt zu tun?

• Eingehende Dokumente automatisch klassifizieren (Lohnabrechnung vs. Kontoauszug vs. Bewertung).
• Extrahieren Sie wichtige Felder – Namen, Adressen, Brutto-/Nettoeinkommen, Daten, Darlehensbeträge – mit Vertrauensbewertungen.
• Leiten Sie Felder mit geringer Zuverlässigkeit oder kritische Felder an menschliche Prüfer weiter.

Da es sich hierbei um eine Datentransformation mit menschlicher Beteiligung und nicht um eine autonome Kreditentscheidung handelt, kann sie so strukturiert werden, dass sie außerhalb der Hochrisikokategorie des KI-Gesetzes bleibt – vorausgesetzt, dass Menschen die Daten vor ihrer Verwendung für die Kreditvergabe validieren.

Richtlinienauszug und Regelanwendung

Die meisten Underwriting-Handbücher sind umfangreiche PDF-Dateien, die auf gemeinsam genutzten Laufwerken und in den Köpfen der Underwriter gespeichert sind. LLMs können:

• Lesen Sie diese Handbücher und entnehmen Sie ihnen die Zulassungsregeln (z. B. LTV-Obergrenzen, Mindestlaufzeit, Bedingungen für Einkommensstabilität).
• Wandeln Sie sie in maschinenlesbare Checks um (Wenn-Dann-Regeln oder Entscheidungstabellen).
• Fügen Sie diesen Kontrollen Begründungen in einfacher Sprache bei.

Die Underwriter behalten die Kontrolle: Die KI erstellt die Regeln und wendet sie an, aber sowohl die Regeln als auch etwaige Ausnahmen werden von Menschen genehmigt. In dieser Form handelt es sich um Unterstützung und Vorab-Analyse, nicht um automatisierte Entscheidungsfindung.

Produkttauglichkeit und Eignungsprüfung

Einer der einfachsten Erfolge ist die intelligente Vorauswahl:

• Anhand eines Kreditnehmerprofils und extrahierter Daten filtert die KI die Produktpalette nach „wahrscheinlich geeigneten“ Optionen.
• Es kann auf der Grundlage der oben genannten Regeln erforderliche Bedingungen vorschlagen.
• Ein Underwriter oder Berater bestätigt die Empfehlung.

Dies ersetzt nicht Ihre Kreditpolitik, sondern reduziert Störungen und Nacharbeiten, sodass Spezialisten ihre Zeit für echte Randfälle aufwenden können.

Datenvorausfüllung aus öffentlichen und Partner-APIs

In zunehmend digitalen Märkten verstärken sich KI und APIs gegenseitig:

• In den Niederlanden ermöglichen der HDN-Standard und die Inkomensbepaling Loondienst (IBL) der UWV Kreditgebern die Überprüfung des Arbeitseinkommens direkt anhand von Sozialversicherungsunterlagen – mittlerweile wird dies in Hunderttausenden Fällen pro Jahr genutzt.
• Immobilien- und Adressdaten können aus den Kadaster/PDOK-APIs abgerufen werden, um die Angaben zu den Sicherheiten vorab auszufüllen.
• In Estland und Teilen des Baltikums ermöglicht die X-Road-Infrastruktur einen schnellen und sicheren Austausch von Identitäts- und Registerdaten.

Es handelt sich hierbei nicht um isolierte „KI-Anwendungsfälle“, sondern um KI-Orchestrierung (z. B. ein Eingabeassistent, der weiß, welche APIs wann aufgerufen werden müssen), die diese zu einer vollständig geführten, reibungslosen Originierungserfahrung machen kann.

Marktdynamik schafft Dringlichkeit

Konsolidierung und Skalierung ohne Personalaufstockung

In ganz Europa konsolidieren Banken Baufinanzierung und streben nach Größe – sie planen jedoch nicht, die Mitarbeiterzahl mit steigendem Volumen zu verdoppeln.

„Ich höre nicht mehr die Aussage ‚Wenn ich Technologie einsetze, kann ich meine Mitarbeiterzahl um X reduzieren‘. … Es ist eher so, dass ich keine Mitarbeiter finde. Die Volumina sind wieder da, wir würden gerne die Produktion verdoppeln, aber wir wollen nicht die Anzahl der Analysten verdoppeln.“

Externe Benchmarks bestätigen diese Chance:Die „durchschnittliche“Bearbeitungszeit für Baufinanzierung in Europa liegt bei etwa 40 Werktagen, während die besten Anbieter näher an 18 Tagen liegen. Die Reduzierung der Bearbeitungsschritte pro Akte und die Verkürzung von Nachbearbeitungsschleifen sind kein Luxus, sondern die einzige Möglichkeit, diese Zahlen zu erreichen, ohne die Mitarbeiter zu überlasten.

Talentknappheit und Rückstandsdruck

KI ist in diesem Zusammenhang kein Instrument zum Personalabbau, sondern ein Durchsatzmultiplikator:

• Weniger manuelle Dateneingaben für Underwriter.
• Weniger Hin und Her mit Kunden und Maklern wegen fehlender Dokumente.
• Sauberere Dateien, die mit vorgefertigten Begründungen beim Kreditbüro eintreffen.

Aus diesem Grund beobachten wir eine echte Wende in der operativen Ernsthaftigkeit: Banken betrachten ihr Backoffice endlich als Wettbewerbsvorteil und nicht mehr nur als Kostenfaktor.

Was als Nächstes zu tun ist

Wenn Sie Leiter des Bereichs Baufinanzierung , Chief Risk Officer oder Leiter der KI-Transformation sind, ist der Weg in die Zukunft überraschend konkret:

1. Wählen Sie zwei Anwendungsfälle mit geringem Risiko aus. zu Beginn:
   • Dokumentenklassifizierung + Schlüsselfeld-Extraktion und
   • Richtlinienauszug + Vorabprüfungen der Anspruchsberechtigung.
2. Berücksichtigen Sie Risiken und Compliance vom ersten Tag an. Ordnen Sie Anwendungsfälle dem EU-KI-Gesetz, EBA LOM, DORA und nationalen Leitlinien zu. Dokumentieren Sie, warum sie vorbereitend und nicht mit hohem Risiko verbunden sind.
3. Ein grundlegendes QA- und Herkunfts-Framework aufbauen. Doppelte Extraktion für kritische Felder, Stichproben, klare Schwellenwerte und vollständige Datenherkunft.
4. Messen Sie, was wichtig ist. Zeit bis zum Angebot, Berührungen pro Datei, Genauigkeit der Extraktion, Nachbearbeitungsraten und Zufriedenheit von Kunden/Maklern.
5. Iterieren und verketten. Sobald die ersten Schritte stabil sind, fügen Sie Richtlinienprüfungen, Produktscreenings und umfassendere Entscheidungshilfen hinzu – immer unter menschlicher Aufsicht und klarer Governance.

Vollautomatisiertes Underwriting ist keine Science-Fiction mehr, sondern technisch machbar. Die Frage ist nicht, ob Sie dieses Ziel erreichen, sondern wie– und ob Sie einen Weg wählen, der Vertrauen schafft, den behördlichen Kontrollen standhält und in jeder Phase einen echten operativen Mehrwert bietet.