Top 25 Anwendungsfälle für generative KI im Finanzwesen

Ich habe ein Jahrzehnt lang Finanzdienstleistungsunternehmen beraten. Jede KI-Implementierung, die ich sah, folgte demselben Muster: Pilotprojekte, die in Präsentationen beeindruckend wirkten, aber in der Produktion ins Stocken gerieten.

Das ändert sich gerade. Banken setzen generative KI jetzt in großem Maßstab ein, und die Ergebnisse sind messbar. Hier ist, was tatsächlich funktioniert, basierend auf überprüfbaren Implementierungen.

• Für Finanzdienstleistungsunternehmen
• Für Finanzabteilungen in Nicht-Finanzunternehmen.

Finanzfunktionen in Nicht-Finanzunternehmen

1-Automatisierung von Buchhaltungsfunktionen

Spezialisierte Transformer-Modelle helfen Finanzabteilungen, Funktionen wie Wirtschaftsprüfung und Kreditorenbuchhaltung zu automatisieren, einschließlich Rechnungserfassung und -verarbeitung. Mit Deep-Learning-Funktionen können auf Buchhaltung spezialisierte GPT-Modelle in den meisten Buchhaltungsaufgaben hohe Automatisierungsgrade erreichen.

Finanzdienstleistungsunternehmen

2-Konversationsfinanz

Generative KI-Modelle können natürlichere, kontextbezogen relevantere Antworten erzeugen, weil sie darauf trainiert sind, menschenähnliche Sprachmuster zu verstehen und zu generieren. Dadurch kann generative KI die Leistung und Benutzererfahrung von konversationellen KI-Systemen und Chatbots im Finanzwesen erheblich verbessern, indem sie genauere, ansprechendere und differenziertere Interaktionen mit Nutzern ermöglicht.

Konversationsfinanz bietet Kunden:

• Verbesserten Kundensupport
• Personalisierte Finanzberatung
• Zahlungsbenachrichtigungen
• Dokumentenerstellung, z. B. Anlagezusammenfassungen oder Kreditanträge.

Zum Beispiel setzt Morgan Stanley OpenAI-gestützte Chatbots ein, um Finanzberater zu unterstützen, indem es die internen Research- und Datenbestände des Unternehmens als Wissensressource nutzt.

Weitere Informationen zu Konversationsfinanz finden Sie in unserem Artikel über die Anwendungsfälle konversationeller KI in der Finanzdienstleistungsbranche. Um die vielen Möglichkeiten zu erkunden, wie konversationelle KI den Kundenservice verbessern kann, lesen Sie unseren speziellen Artikel zu konversationeller KI für den Kundenservice.

3-Erstellung antragstellerfreundlicher Ablehnungserklärungen

KI spielt im Bankensektor eine bedeutende Rolle, insbesondere bei Kreditentscheidungsprozessen. Sie hilft Banken und Finanzinstituten, die Kreditwürdigkeit von Kunden zu bewerten, angemessene Kreditlimits festzulegen und die Kreditpreisgestaltung risikobasiert zu gestalten.

Sowohl Entscheidungsträger als auch Kreditantragsteller benötigen jedoch klare Erläuterungen zu KI-basierten Entscheidungen, wie etwa die Gründe für Antragsablehnungen, um Vertrauen zu schaffen und das Kundenbewusstsein für künftige Anträge zu verbessern.

Ein konditionelles generatives gegnerisches Netzwerk (GAN), eine Art generativer KI, wurde eingesetzt, um benutzerfreundliche Ablehnungserklärungen zu generieren. Durch die hierarchische Organisation der Ablehnungsgründe von einfach bis komplex wird eine zweistufige Konditionierung eingesetzt, um für Antragsteller verständlichere Erklärungen zu erzeugen.

Abbildung 1: KI-generierte Ablehnungserklärungen¹

Praxisbeispiel für die Skripterstellung

In einer Fallstudie erwartet das Investor-Relations-Team eine starke Marktreaktion auf die Quartalsfinanzergebnisse des Unternehmens und muss ein umfassendes Skript sowie mögliche Investorenfragen für die Telefonkonferenz vorbereiten.²

Ein Analyst importiert Finanzdaten aus dem aktuellen und den vorherigen Quartalen in eine Tabellenkalkulation und verwendet ein generatives KI-Tool. Der KI werden Kontext aus früheren Telefonkonferenzen sowie spezifische Erkenntnisse gegeben, um relevante Kommentare zu erstellen.

Das KI-Tool erstellt ein Skript für die Telefonkonferenz, einschließlich wahrscheinlicher Investorenfragen und Antworten. Der Analyst formatiert diesen Inhalt in ein Word-Dokument, hebt die wichtigsten Investorenfragen hervor und bereitet es für die Prüfung durch das Management und die Vorbereitung des CFO vor.

Backoffice

4-Code-Modernisierung für Altsysteme

Banken betreiben noch immer Software, die in den 1970er- und 80s-Jahren in COBOL geschrieben wurde. Entwickler zu finden, die COBOL beherrschen, ist nahezu unmöglich, aber diese Software verarbeitet kritische Transaktionen und kann nicht einfach abgeschaltet werden.

Generative KI-Modelle können:

• Legacy-Code in COBOL, Fortran oder anderen alten Sprachen lesen
• Ihn in moderne Sprachen wie Python oder Java konvertieren
• Dieselbe Geschäftslogik beibehalten und gleichzeitig die Leistung verbessern
• Dokumentation generieren, die erklärt, was der Code tatsächlich tut

Goldman Sachs hat bestätigt, dass generative KI inzwischen im Mittelpunkt seiner Anwendungsentwicklungs- und -verbesserungsbemühungen steht. Die Entwickler einer Bank validieren KI-generierten Code und erkennen Fehler vor der Bereitstellung, aber die KI übernimmt die Hauptarbeit.

Technologiekosten machen etwa 10 % der Ausgaben einer typischen Bank aus. Die Beschleunigung der Entwicklung und die Senkung der Wartungskosten verbessern direkt die Rentabilität.³

5-Anwendungsmodernisierung

Banken wollen vermeiden, von veralteter Software abhängig zu sein, und investieren kontinuierlich in Modernisierungsmaßnahmen. Enterprise-GenAI-Modelle können Code von Legacy-Softwaresprachen in moderne Sprachen konvertieren, sodass Entwickler die neue Software validieren können und erheblich Zeit sparen.

Mitarbeiter bei Goldman Sachs bestätigen, dass generative KI ein starker Aspekt der Anwendungsentwicklung und -verbesserung ist.⁴

6-Automatisierte Dokumentenerstellung

Banken erstellen täglich Tausende von Dokumenten: Anlagezusammenfassungen, Kreditanträge, Kundenberichte und regulatorische Einreichungen. Diese Dokumente basieren auf Vorlagen, aber ihre Anpassung kostet Zeit.

Generative KI übernimmt dies jetzt:

• Professionelle Dokumente aus einfachen Prompts generieren
• Relevante Daten aus mehreren Systemen abrufen
• Je nach Dokumenttyp und Empfänger eine angemessene Formatierung anwenden
• Konsistenz mit regulatorischen Anforderungen sicherstellen

7-Finanzprognosen und -analyse

Generative KI verbessert Prognosen, indem sie aus historischen Finanzdaten lernt, um komplexe Muster und Zusammenhänge zu erfassen. Wenn sie für bestimmte Banken und wirtschaftliche Kontexte ordnungsgemäß fine-getunt sind, treffen diese Modelle Vorhersagen zu:

• Bewegungen der Vermögenspreise
• Zinsverläufe
• Ausfallwahrscheinlichkeiten von Krediten
• Marktvolatilität
• Trends bei Wirtschaftsindikatoren

Das Schlüsselwort lautet: „ordnungsgemäß fine-getunt“. Standardmodelle halluzinieren und treffen selbstsichere Vorhersagen auf der Grundlage nicht vorhandener Muster. Banken, die mit KI-Prognosen erfolgreich sind, investieren stark in das Training von Modellen mit ihren spezifischen Daten und in die Validierung der Ergebnisse anhand von Expertenurteilen.

8-Marktprognosen

Durch die Analyse großer Datenmengen kann generative KI die Genauigkeit von Finanzprognosen verbessern, einschließlich Aktienkursen, Zinssätzen und Wirtschaftsindikatoren.

Praxisbeispiel

Ein asiatisches Finanzinstitut führt einen PoC durch, um 2.000 Analysten und Nutzern eine Prompt-to-Report-Funktionalität bereitzustellen.³

9-Finanzberichtserstellung

Automatisierte Berichterstattung

Generative KI kann auf der Grundlage verfügbarer Daten automatisch gut strukturierte, kohärente und informative Finanzberichte erstellen. Diese Berichte können umfassen:

• Bilanzen
• Gewinn- und Verlustrechnungen
• Kapitalflussrechnungen

Diese Automatisierung rationalisiert den Berichtsprozess, reduziert manuellen Aufwand und gewährleistet Konsistenz, Genauigkeit und pünktliche Berichtszustellung.

10- Szenariobasierte Berichterstattung

KI kann verschiedene regulatorische Szenarien simulieren und Berichte erstellen, um Finanzinstituten zu helfen, die Einhaltung aller erforderlichen Anforderungen unter verschiedenen Bedingungen sicherzustellen.

Erfahren Sie mehr über Anwendungsfälle und Praxisbeispiele zur KI-Textgenerierung.

11-Betrugserkennung

Generative KI kann im Finanzwesen zur Betrugserkennung eingesetzt werden, indem sie synthetische Beispiele für betrügerische Transaktionen oder Aktivitäten generiert. Diese generierten Beispiele können helfen, Machine-Learning-Algorithmen zu trainieren und zu erweitern, um legitime und betrügerische Muster in Finanzdaten zu erkennen und zu unterscheiden.

Das verbesserte Verständnis von Betrugsmustern ermöglicht es diesen Modellen, verdächtige Aktivitäten genauer und effektiver zu erkennen, was zu schnellerer Betrugserkennung und -prävention führt. Durch die Einbindung generativer KI in Betrugserkennungssysteme können Finanzinstitute:

• Die allgemeine Sicherheit und Integrität ihrer Abläufe verbessern
• Verluste durch Betrug minimieren
• Das Vertrauen der Verbraucher erhalten

Erfahren Sie, wie Legal-KI-Software dabei helfen kann, Maßnahmen gegen betrügerische Aktivitäten zu ergreifen.

Praxisbeispiel

Mastercard brauchte einen schnelleren und genaueren Weg, um betrügerische Transaktionen zu erkennen, da Betrüger gestohlene Kreditkartendaten ausnutzten. Mithilfe generativer KI scannte Mastercard Transaktionsdaten von Millionen Händlern, um kompromittierte Karten vorherzusagen und zu erkennen, sodass Banken diese schneller sperren und Betrug verhindern konnten.

Ergebnisse:

• Verdoppelte die Erkennungsrate kompromittierter Karten.
• Reduzierte Fehlalarme in der Betrugserkennung.
• Erhöhte die Geschwindigkeit der Händlerbetrugserkennung.

12-Beantwortung von Regulierungsanfragen

Als stark regulierte Branchenteilnehmer erhalten Banken regelmäßig Anfragen von Regulierungsbehörden.

Praxisbeispiel

Banken führen PoCs durch, um zu prüfen, ob sie LLMs verwenden können, um einfache und weniger kritische Anfragen von Regulierungsbehörden zu beantworten.³

13-Portfoliomanagement

Dynamisches Portfoliomanagement

Eine weitere finanzielle Anwendung generativer KI kann die Portfoliooptimierung sein. Durch die Analyse historischer Finanzdaten und die Generierung verschiedener Investitionsszenarien können generative KI-Modelle Vermögensverwaltern und Investoren helfen, eine optimale Vermögens- und Anlageverwaltung zu identifizieren, unter Berücksichtigung von Faktoren wie:

• Risikotoleranz
• Erwartete Renditen
• Anlagehorizonte.

14-Kundenspezifische Indizes

Diese Modelle können verschiedene Marktbedingungen, wirtschaftliche Umfelder und Ereignisse simulieren, um die potenziellen Auswirkungen auf die Portfolio-Performance besser zu verstehen. Dadurch können Finanzfachleute ihre Anlagestrategien entwickeln und fine-tunen, risikoadjustierte Renditen optimieren und fundiertere Entscheidungen über die Verwaltung ihrer Portfolios treffen. Dies führt letztlich zu besseren finanziellen Ergebnissen für ihre Kunden oder Institutionen.

15-Risikomanagement

Stresstests

Generative KI kann extreme Marktbedingungen simulieren, die in den historischen Daten nicht vorgekommen sind, und es Finanzinstituten ermöglichen, sich besser auf seltene, aber folgenschwere Ereignisse vorzubereiten.

16-Kreditrisikomodellierung

KI-Modelle können synthetische Kreditnehmerprofile generieren, um die Robustheit von Kreditrisikomodellen zu testen und die Genauigkeit von Kreditscoring und Ausfallprognosen zu verbessern.

17-Anomaly-Erkennung

Generative KI-Modelle können darauf trainiert werden, die normalen Transaktionsmuster zu verstehen und Datenpunkte zu generieren, die Ausreißer oder Anomalien darstellen. Dies hilft, potenziell betrügerische Aktivitäten oder ungewöhnliche Transaktionsmuster zu erkennen, die auf Geldwäsche hindeuten könnten.

18-Synthetische Daten für das Training

Da echte betrügerische Transaktionen selten sind, kann generative KI synthetische Beispiele für betrügerische Aktivitäten erstellen und so helfen, bessere Erkennungsalgorithmen zu trainieren.

19-Generierung synthetischer Daten

Die Finanzdaten von Kunden sind proprietär und unterliegen der DSGVO, dem CCPA und anderen Datenschutzgesetzen. Dies verursacht Probleme:

• Daten können nicht ohne Weiteres an Drittanbieter für das Modelltraining weitergegeben werden
• Produktionsdaten können nicht in Entwicklungs-/Testumgebungen verwendet werden
• Forschung kann nicht ohne das Risiko von Datenschutzverletzungen durchgeführt werden

Synthetische Daten ermöglichen:

• Das Training von Machine-Learning-Modellen ohne Preisgabe von Kundeninformationen
• Stresstests von Systemen mit realistischen Datenmengen
• Die Validierung von Modellen über verschiedene Kundensegmente hinweg
• Das Teilen von Daten mit Partnern für Integrationstests

Die synthetischen Kunden haben realistische Kreditscores, Transaktionsmuster, Einkommensniveaus und finanzielle Verhaltensweisen, aber sie sind keine echten Menschen, sodass keine Datenschutzverletzungen auftreten.

Da Kundeninformationen für Finanzteams proprietäre Daten sind, stellen sie Herausforderungen für ihre Nutzung und Regulierung dar. Generative KI kann von Finanzinstituten genutzt werden, um synthetische Daten zu generieren, die den Datenschutzbestimmungen wie DSGVO und CCPA entsprechen.

Praxisbeispiel für die Generierung synthetischer Daten

Morgan Stanley stand vor der Herausforderung, die Vermögensverwaltungsprozesse zu optimieren und die Interaktionen zwischen Beratern und Kunden durch fortschrittliche KI-Tools zu verbessern und gleichzeitig Datensicherheit zu gewährleisten und Fehler zu minimieren.

Sie arbeiteten mit OpenAI zusammen, um eine generative KI-Plattform zur Synthese von Research-Daten zu implementieren. Sie pilotierten das Tool mit 900 Beratern und planten eine breitere Einführung.

20-Algorithmischer Handel & Anlagestrategien

21-Szenarioanalyse

Diese Modelle können verschiedene Marktszenarien simulieren und Händlern sowie Portfoliomanagern helfen, potenzielle Risiken und Renditen unter verschiedenen Bedingungen zu verstehen.

Laut Dimension Market Research wird der weltweite Markt für generative KI im Handel bis 2024 voraussichtlich 208.3 Millionen USD und bis 2033 1.705.1 Millionen USD erreichen. Im Jahr 2024 wird für den Markt ein durchschnittliches jährliches Wachstum (CAGR) von 26,3 % erwartet.⁵

22-Produktentwicklung

Kundenspezifische Anlageportfolios

Generative KI kann individuelle Anlegerprofile, Präferenzen und finanzielle Ziele analysieren, um personalisierte Anlageportfolios zu generieren. Dies ist besonders nützlich für Robo-Advisors und Vermögensverwaltungsplattformen.

Maßgeschneiderte Versicherungsprodukte

KI kann personalisierte Versicherungsprodukte auf der Grundlage individueller Risikoprofile erstellen und einzigartige Konditionen und Preisstrukturen für verschiedene Kunden generieren.

23-Underwriting & Preisgestaltung

Dynamische Preismodelle

Generative KI kann Versicherern und Kreditgebern helfen, dynamische Preismodelle zu entwickeln, die sich auf der Grundlage neuer Daten, Marktbedingungen und des individuellen Kundenverhaltens in Echtzeit anpassen.

Risikobewertung

KI kann verschiedene Risikoszenarien generieren und Underwritern helfen, potenzielle Ergebnisse zu bewerten und angemessene Prämien oder Zinssätze festzulegen.

Häufige Anwendungen

24-Beantwortung finanzieller Fragen

Durch die Nutzung seines Verständnisses menschlicher Sprachmuster und seiner Fähigkeit, kohärente, kontextbezogen relevante Antworten zu generieren, kann generative KI genaue und detaillierte Antworten auf finanzielle Fragen von Nutzern geben.

Diese Modelle können mit großen Datensätzen zu Finanzwissen trainiert werden, um eine breite Palette finanzieller Anfragen mit geeigneten Informationen zu beantworten, darunter Themen wie:

• Rechnungslegungsgrundsätze
• Finanzkennzahlen
• Aktienanalyse
• Regulatorische Compliance

So kann BloombergGPT einige finanzbezogene Fragen im Vergleich zu anderen generativen Modellen genau beantworten.

Abbildung 2. Die Fähigkeit von BloombergGPT, GPT-NeoX und FLAN-T5-XXL, sich die Namen der CEOs von Unternehmen zu merken⁶

25-Sentimentanalyse

Sentimentanalyse, ein Ansatz innerhalb der NLP, kategorisiert Texte, Bilder oder Videos in negative, positive oder neutrale emotionale Töne. Durch die Gewinnung von Einblicken in die Emotionen und Meinungen der Kunden können Unternehmen Strategien entwickeln, um ihre Dienstleistungen oder Produkte auf der Grundlage dieser Erkenntnisse zu verbessern.

Finanzinstitute können von der Sentimentanalyse profitieren, um ihre Markenreputation und Kundenzufriedenheit anhand von Social-Media-Beiträgen, Nachrichtenartikeln, Contact-Center-Interaktionen oder anderen Quellen zu messen.

So kündigte Bloomberg sein für Finanzen fine-getuntes generatives Modell BloombergGPT an, das in der Lage ist, Sentimentanalyse, Nachrichtenklassifizierung und einige andere Finanzaufgaben durchzuführen und die Benchmarks erfolgreich zu bestehen.

Abbildung 3: Wie BloombergGPT in zwei großen Kategorien von NLP-Aufgaben abschneidet: finanzspezifisch und allgemein⁷

Herausforderungen generativer KI in der Finanzbranche & Tipps zu ihrer Bewältigung

• Datengenauigkeit: „Auch wenn KI die Verarbeitung und Generierung von Daten erheblich verbessert, kann sie mit erheblichen Datenqualitätsproblemen behaftet sein“, wie die Europäische Zentralbank feststellt. Es besteht die Möglichkeit, dass die voreingenommenen und ungenauen Daten, die zum Training von Foundation-Modellen verwendet werden, Ergebnisse mit mehr Fehlern liefern. Bei der Versorgung von Foundation-Modellen sind Datenqualität und -genauigkeit entscheidende Faktoren.⁸
• Verzerrungen in Modellen: KI-Modelle können Verzerrungen aus den Daten übernehmen, mit denen sie trainiert wurden, was zu unfairen oder verzerrten Entscheidungen führt, insbesondere in Bereichen wie Kreditscoring oder Anlageempfehlungen.
  • Um solche KI-Verzerrungen zu erkennen, können Unternehmen eine Plattform für verantwortungsvolle KI einsetzen.
• Eingeschränkte Generalisierung: Unternehmen können für ihre Anwendungsfälle entweder auf Standard-Large Language Models oder fine-getunte LLMs zurückgreifen. Standardmodelle schneiden in spezifischen, hochspezialisierten Finanzkontexten ohne ordnungsgemäßes Fine-Tuning möglicherweise schlecht ab, was zu ungenauen oder irrelevanten Ergebnissen führen kann.
  • Setzen Sie LLMOps-Tools ein, um Ihre LLMs besser zu erstellen, zu testen, zu überwachen und zu fine-tunen.
• Halluzinationen: Generative KI kann ungenaue oder erfundene Informationen produzieren, was im Finanzwesen riskant ist, da Entscheidungen auf präzisen Daten beruhen, und zu schlechter Anlageberatung oder Regulierungsverstößen führen kann.
  • Wenden Sie LLM-Sicherheitstools und extraktive KI an, um dieses Problem zu überwinden und die Modellgenauigkeit sicherzustellen.
• Regulierungen: Der Finanzsektor ist stark reguliert, und KI muss strenge Standards in Bezug auf Transparenz, Rechenschaftspflicht und Datennutzung einhalten, was die Einhaltung sich weiterentwickelnder rechtlicher Rahmenwerke erschwert.
  • Setzen Sie KI-Governance-Tools ein und erstellen Sie ein KI-Inventar, um die KI-Compliance sicherzustellen.
• Datensicherheit: Finanzdaten sind sensibel, und sicherzustellen, dass KI-Systeme sie sicher verarbeiten und Verstöße oder Missbrauch verhindern, ist entscheidend, um das Vertrauen der Kunden zu erhalten und Strafen der Aufsichtsbehörden zu vermeiden.⁹

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Ausgaben für generative KI & Markterwartungen

Finanzsimulationen und -prognosen, die mithilfe von Enterprise Generative KI erstellt werden, sind für Handel, Portfoliomanagement und Finanzmärkte von Vorteil. Trotz ihrer vielen Vorteile, darunter Zeitersparnis, große Datensätze und Rechenleistung, kann sie Fehlfunktionen aufweisen und sensible Daten offenlegen, was Sicherheitsrisiken birgt. Diese Herausforderungen können insbesondere Finanzprozesse und die gesamte Finanzfunktion beeinträchtigen.

• Bis 2030 wird die Bankenbranche voraussichtlich 84.99 Milliarden US-Dollar für generative künstliche Intelligenz (KI) ausgeben, mit einer bemerkenswerten durchschnittlichen jährlichen Wachstumsrate von 55.55 Prozent.¹⁰
• Laut dem McKinsey Global Institute (MGI) könnte der Einsatz von Gen-KI in der Bankenbranche zu einer jährlichen Wertschöpfung von 200 Milliarden bis 340 Milliarden US-Dollar führen, was 2.8 bis 4.7 Prozent der gesamten Branchenerlöse entspricht. Diese Wertschöpfung würde in erster Linie aus erhöhter Produktivität resultieren.¹¹

Weitere Einblicke in die Automatisierung im Finanzsektor finden Sie in unserem Artikel über intelligente Automatisierung im Bank- & Finanzwesen.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Top 25 Anwendungsfälle für generative KI im Finanzwesen}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/generative-ai-finance}},
  note   = {AIMultiple. Abgerufen am 2. September 2026}
}

Änderungsprotokoll

10 Aktualisierungen

2026202520242023

1. 28. Jan

   Der Abschnitt „Best Practices von Banken, die es richtig gemacht haben“ wurde entfernt.

2. 21. Jan

   Der Abschnitt „Best Practices für die Anwendung generativer KI in der Finanzbranche“ wurde aktualisiert.

Referenzlinks

1.

Your Sustainability Transformation Partner | Fujitsu Global

2.

Generative AI in der Finanzfunktion der Zukunft.

3.

What Generative AI Means For Banking

Forbes

4.

Goldman Sachs Deploys Its First Generative AI Tool Across the Firm - WSJ

The Wall Street Journal

5.

Generative-KI-Markt im Handel soll bis 2033 einen Umsatz von 1.705,1 Mio. USD bei 26,3 % CAGR erreichen | DMR.

6.

BloombergGPT: A Large Language Model for Finance

7.

Introducing BloombergGPT, Bloomberg’s 50-billion parameter large language model, purpose-built from scratch for finance | Press | Bloomberg LP

8.

The rise of artificial intelligence: benefits and risks for financial stability

9.

The Rise of Generative AI | J.P. Morgan Research

J.P. Morgan

10.

Gen-KI-Ausgaben im Bankensektor weltweit 2023, mit Prognosen bis 2030..

11.

The future of AI in banking | McKinsey

McKinsey & Company

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und befasst sich mit KI-Modellen, KI-Infrastruktur, KI-Governance und KI-Anwendungen für Unternehmen. Ihre Forschung konzentriert sich hauptsächlich auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit.
Zuvor arbeitete sie als Personalvermittlerin in Projektmanagement- und Beratungsunternehmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.

Vollständiges Profil anzeigen

Kommentare 1

Teilen Sie Ihre Gedanken

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten

Praveenkumar Prasadkumar

Dec 31, 2025 at 08:54

Ai tool is helping toll for understanding unknown thing and we learn more thing from AI, while using an AI we can completed easy and faster and doing things better .

Antworten