Finanzinstitute stehen an einem Wendepunkt in ihrer KI-Entwicklung. Seit Jahren setzen Banken und Fintechs auf spezialisierte Modelle für Betrugserkennung, Kreditwürdigkeit und Risikomanagement. Diese fragmentierten Systeme haben zwar gute Ergebnisse erzielt, verhindern aber einen ganzheitlichen Einblick in das Finanzverhalten der Kunden. Der enorme Anstieg interner Datenbestände hat eine Kluft geschaffen zwischen dem Wissen der Institute und den Fähigkeiten ihrer aktuellen KI-Systeme. Die Branche reagiert darauf zunehmend mit der Entwicklung proprietärer Transaktions-Grundmodelle, die als einheitliche Datenbasis dienen. Ein Bericht von NVIDIA für das Jahr 2026 zeigt, dass 65 % der Finanzinstitute KI bereits nutzen und nahezu alle ihre Ausgaben dafür erhöhen. Doch während KI an Skala gewinnt, wird die Komplexität durch zersplitterte Architektur zum limitierenden Faktor. Der neue Ansatz nutzt transformer-basierte Grundmodelle, die auf Milliarden von Finanztransaktionen trainiert wurden. Im Gegensatz zu traditionellen Modellen, die isolierte Signale prüfen, interpretieren diese Systeme Kontext. Ein Zahlungsvorgang wird nicht isoliert bewertet, sondern in Bezug auf Uhrzeit, Gerät, Standort und vorherige Aktivitäten. Dies ermöglicht es, Muster zu erkennen, die für herkömmliche Algorithmen unsichtbar blieben. Revolut hat diesen Wandel exemplarisch umgesetzt. Zusammen mit NVIDIA entwickelte das Unternehmen das PRAGMA-Modell, das auf 24 Milliarden Ereignissen und über 26 Millionen Benutzerdaten trainiert wurde. Das System läuft auf der NVIDIA-Hardware und der Nebius-Cloud. Ein einziges Grundmodell übertrifft spezialisierte Lösungen bei Kreditprüfung, Betrugserkennung und Empfehlungen, gleichzeitig entfällt der aufwendige manuelle Datenaufbereitung. Tadas Kriščiūnas von Revolut betont, dass dies die Entwicklungszeit von Monaten auf null reduziert. Ähnliche Strategien verfolgen auch Marktführer wie Mastercard und Adyen. Mastercard arbeitet an einem proprietären Modell für Zahlungen, das Daten aus Betrugsfallmanagement, Rückbuchungen und Kundenbindung vereinen soll. Adyen nutzt Reinforcement Learning, um Transaktionen zu optimieren. Dhruv Ghulati von Adyen verweist darauf, dass selbst eine minimale Steigerung der Autorisierungsrate von 0,1 % zu massiven finanziellen Ergebnissen führt. Auch Stripe setzt auf kontextbewusste Modelle, um Betrugsfälle massiv zu reduzieren und Milliarden an Transaktionen abzusichern. Ein weiterer wichtiger Trend ist die Integration in die autonome KI (Agentic AI), die in der Lage ist, Geschäfte selbstständig durchzuführen. Dafür benötigen Institutionen eine semantische Schicht, die Transaktionsdaten versteht. Der neue „Build Your Own Transaction Foundation Model"-Entwicklerbeispielcode von NVIDIA ermöglicht es Unternehmen, diese Architektur nun auf AWS und der Nebius-Cloud zu implementieren. Partner wie EXL, Infosys, GFT und Thoughtworks unterstützen Institute bei der Einführung dieser Technologien in komplexe Bankeninfrastrukturen, von Kreditrisiken bis hin zur Compliance. Die Technologie ist bereit, die Branche von einer Sammlung isolierter Werkzeuge zu einer intelligenten, einheitlichen Plattform zu führen.