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. Banken setzen generative KI jetzt in großem Maßstab ein, und die Ergebnisse sind messbar. Hier ist, was tatsächlich funktioniert, basierend auf Implementierungen, die Sie überprüfen können.

• 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 GPT-Modelle, die auf Buchhaltung spezialisiert sind, hohe Automatisierungsraten bei den meisten Buchhaltungsaufgaben erreichen.

Finanzdienstleistungsunternehmen

2-Konversationsbasierte Finanzangebote

Generative KI-Modelle können natürlichere, kontextuell relevantere Antworten erzeugen, da sie darauf trainiert sind, menschenähnliche Sprachmuster zu verstehen und zu generieren. Dadurch kann generative KI die Leistung und Nutzererfahrung von finanziellen konversationellen KI-Systemen und Chatbots erheblich verbessern, indem sie genauere, ansprechendere und nuanciertere Interaktionen mit den Nutzern ermöglicht.

Konversationsbasierte Finanzangebote bieten Kunden:

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

Zum Beispiel setzt Morgan Stanley OpenAI-gestützte Chatbots ein, um Finanzberater zu unterstützen, indem das interne Research und die Daten des Unternehmens als Wissensressource genutzt werden.

Weitere Informationen zu konversationsbasierten Finanzangeboten finden Sie in unserem Artikel über die Anwendungsfälle von 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 im Kundenservice.

3-Erstellung antragstellerfreundlicher Ablehnungserklärungen

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

Allerdings benötigen sowohl Entscheidungsträger als auch Kreditantragsteller klare Erklärungen zu KI-basierten Entscheidungen, etwa zu Gründen für Antragsablehnungen, um Vertrauen zu fördern und das Kundenbewusstsein für künftige Anträge zu verbessern.

Ein konditionales generatives gegnerisches Netzwerk (GAN), eine Form 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 Kreditablehnungserklärungen¹

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 den Earnings Call vorbereiten.²

Ein Analyst importiert Finanzdaten aus dem aktuellen und den vorherigen Quartalen in eine Tabelle und verwendet ein Tool für generative KI. Der KI werden Kontext aus früheren Earnings Calls und spezifische Erkenntnisse bereitgestellt, um relevante Kommentare zu generieren.

Das KI-Tool erstellt ein Skript für den Earnings Call einschließlich wahrscheinlicher Investorenfragen und Antworten. Der Analyst formatiert diesen Inhalt in ein Word-Dokument, hebt wichtige 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 Software, die in den 1970er- und 80s-Jahren in COBOL geschrieben wurde. Entwickler zu finden, die COBOL beherrschen, ist nahezu unmöglich, doch diese Software wickelt kritische Transaktionen ab 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 erstellen, die erklärt, was der Code tatsächlich tut

Goldman Sachs bestätigte, dass generative KI heute zentral für seine Anwendungsentwicklung und -verbesserung ist. Entwickler einer Bank validieren KI-generierten Code und erkennen Fehler vor der Bereitstellung, aber die KI erledigt die Schwerarbeit.

Technologiekosten machen etwa 10 % der Ausgaben einer typischen Bank aus. Die Entwicklungszeiten zu verkürzen und die Wartungskosten zu senken, verbessert unmittelbar die Rentabilität.³

5-Anwendungsmodernisierung

Banken wollen vermeiden, von veralteter Software abhängig zu sein, und investieren kontinuierlich in Modernisierungsinitiativen. Enterprise-GenAI-Modelle können Code aus 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 wichtiger Bestandteil der Anwendungsentwicklung und -verbesserung ist.⁴

6-Automatisierte Dokumentenerstellung

Banken erstellen täglich Tausende von Dokumenten: Anlagezusammenfassungen, Kreditanträge, Kundenberichte und Meldungen an Aufsichtsbehörden. 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 geeignete Formatierung anwenden
• Konsistenz mit regulatorischen Anforderungen sicherstellen

7-Finanzprognosen und -analysen

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

• Kursbewegungen von Vermögenswerten
• Zinspfade
• Ausfallwahrscheinlichkeiten bei Krediten
• Marktvolatilität
• Trends bei Wirtschaftsindikatoren

Das Schlüsselwort lautet: „ordnungsgemäß fine-tuned“. Standardmodelle halluzinieren und treffen selbstbewusste Vorhersagen auf der Grundlage von Mustern, die es nicht gibt. 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 der Einschätzung von Experten.

8-Marktprognosen

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

Praxisbeispiel

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

9-Finanzberichtserstellung

Automatisierte Berichterstellung

Generative KI kann automatisch gut strukturierte, kohärente und informative Finanzberichte auf Basis verfügbarer Daten erstellen. Zu diesen Berichten können gehören:

• Bilanzen
• Gewinn- und Verlustrechnungen
• Kapitalflussrechnungen

Diese Automatisierung rationalisiert den Berichtsprozess, reduziert den manuellen Aufwand und stellt Konsistenz, Genauigkeit und pünktliche Berichtsübermittlung sicher.

10-Szenariobasierte Berichterstellung

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 KI-Textgenerierung Anwendungsfälle und Praxisbeispiele.

11-Betrugserkennung

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

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

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

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

Praxisbeispiel

Mastercard benötigte eine schnellere und genauere Methode zur Erkennung betrügerischer Transaktionen, da Betrüger gestohlene Zahlungskartendaten ausnutzten. Mithilfe generativer KI scannte Mastercard Transaktionsdaten von Millionen Händlern, um kompromittierte Karten vorherzusagen und zu erkennen, und half Banken, diese schneller zu sperren und Betrug zu verhindern.

Ergebnisse:

• Die Erkennungsrate kompromittierter Karten verdoppelt.
• Die Falsch-Positiv-Rate bei der Betrugserkennung reduziert.
• Die Geschwindigkeit der Händler-Betrugserkennung erhöht.

12-Reaktion auf Anfragen von Aufsichtsbehörden

Als stark regulierte Branchenteilnehmer erhalten Banken regelmäßig Anfragen von Aufsichtsbehörden.

Praxisbeispiel

Banken führten PoCs durch, um zu prüfen, ob sie LLMs verwenden können, um auf einfache und weniger kritische Anfragen von Aufsichtsbehörden zu antworten.³

13-Portfoliomanagement

Dynamisches Portfoliomanagement

Eine weitere finanzielle Anwendung generativer KI kann die Portfoliooptimierung sein. Durch die Analyse historischer Finanzdaten und die Generierung verschiedener Anlageszenarien können generative KI-Modelle Vermögensverwaltern und Investoren helfen, eine optimale Vermögens- und Wealth-Management-Strategie 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 möglichen Auswirkungen auf die Portfolioperformance besser zu verstehen. Dies ermöglicht es Finanzfachleuten, ihre Anlagestrategien zu entwickeln und zu fine-tunen, risikoadjustierte Renditen zu optimieren und fundiertere Entscheidungen über die Verwaltung ihrer Portfolios zu 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, wodurch die Genauigkeit von Kreditscorings und Ausfallprognosen verbessert wird.

17-Anomaly-Erkennung

Generative KI-Modelle können 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 identifizieren, die auf Geldwäsche hindeuten könnten.

18-Synthetische Daten für das Training

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

19-Generierung synthetischer Daten

Finanzdaten von Kunden sind proprietär und unterliegen der GDPR, dem CCPA und anderen Datenschutzgesetzen. Dies führt zu folgenden Problemen:

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

Synthetische Daten ermöglichen:

• Das Trainieren von Machine-Learning-Modellen ohne Offenlegung von Kundeninformationen
• Stresstests von Systemen mit realistischen Datenmengen
• Die Validierung von Modellen über verschiedene Kundensegmente hinweg
• Den Austausch von Daten mit Partnern für Integrationstests

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

Da Kundeninformationen für Finanzteams proprietäre Daten sind, stellt ihre Nutzung und Regulierung eine Herausforderung dar. Generative KI kann von Finanzinstituten genutzt werden, um synthetische Daten zu generieren, die Datenschutzvorschriften wie der GDPR und dem CCPA entsprechen.

Praxisbeispiel zur Generierung synthetischer Daten

Morgan Stanley stand vor der Herausforderung, die Abläufe im Wealth Management zu optimieren und die Interaktionen zwischen Beratern und Kunden mithilfe fortschrittlicher KI-Tools zu verbessern, während Datensicherheit gewahrt und Fehler minimiert werden sollten.

Sie kooperierten mit OpenAI, um eine generative KI-Plattform zur Synthese von Research-Daten zu implementieren.

20-Algorithmischer Handel & Anlagestrategien

21-Szenarioanalyse

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

Laut Dimension Market Research wird die Größe des globalen Marktes für generative KI im Handel bis 2033 voraussichtlich USD 1.705.1 Millionen betragen.⁵

22-Produktentwicklung

Personalisierte Anlageportfolios

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

Maßgeschneiderte Versicherungsprodukte

KI kann personalisierte Versicherungsprodukte auf Basis 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 in Echtzeit an neue Daten, Marktbedingungen und individuelles Kundenverhalten anpassen.

Risikobewertung

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

Häufige Anwendungen

24-Beantwortung finanzieller Fragen

Durch die Nutzung ihres Verständnisses menschlicher Sprachmuster und ihrer Fähigkeit, kohärente, kontextbezogene Antworten zu generieren, kann generative KI genaue und detaillierte Antworten auf finanzielle Fragen von Nutzern liefern.

Diese Modelle können auf großen Datasets mit Finanzwissen trainiert werden, um ein breites Spektrum finanzieller Anfragen mit geeigneten Informationen zu beantworten, einschließlich Themen wie:

• Buchhaltungsgrundsätze
• Finanzkennzahlen
• Aktienanalyse
• Regulatorische Compliance

Beispielsweise kann BloombergGPT im Vergleich zu anderen generativen Modellen einige Fragen aus dem Finanzbereich genau beantworten.

Abbildung 2. Die Fähigkeit von BloombergGPT, GPT-NeoX und FLAN-T5-XXL, sich an die Namen der CEOs von Unternehmen zu erinnern⁶

25-Sentimentanalyse

Sentimentanalyse, ein Ansatz innerhalb der NLP, kategorisiert Texte, Bilder oder Videos in negative, positive oder neutrale emotionale Töne. Durch Einblicke in die Emotionen und Meinungen von 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.

Beispielsweise kündigte Bloomberg sein für Finanzen fine-tuned generatives Modell BloombergGPT an, das Sentimentanalyse, Nachrichtenklassifizierung und einige andere Finanzaufgaben durchführen und die Benchmarks erfolgreich bestehen kann.

Abbildung 3: Wie BloombergGPT in zwei großen Kategorien von NLP-Aufgaben abschneidet: finanzspezifisch und allgemein einsetzbar⁷

Herausforderungen generativer KI in der Finanzbranche & Tipps zu ihrer Bewältigung

• Datengenauigkeit: „Obwohl KI die Verarbeitung und Generierung von Daten erheblich verbessert, kann sie anfällig für erhebliche Datenqualitätsprobleme sein.“, so die Europäische Zentralbank. Es besteht die Möglichkeit, dass voreingenommene und ungenaue Daten, die zum Trainieren von Foundation Models verwendet werden, Ergebnisse mit mehr Fehlern erzeugen. Beim Füttern von Foundation Models sind Datenqualität und -genauigkeit entscheidende Faktoren.⁸
• Verzerrung in Modellen: KI-Modelle können Verzerrungen aus den Daten übernehmen, mit denen sie trainiert wurden, was zu unfairen oder verzerrten Entscheidungen führen kann, insbesondere in Bereichen wie Kreditscoring oder Anlageempfehlungen.
  • Um solche KI-Verzerrungen zu erkennen, können Unternehmen eine verantwortungsvolle KI-Plattform einführen.
• Begrenzte Generalisierung: Unternehmen können sich entweder auf Standard-Large Language Models verlassen oder fine-tunen LLMs für ihre Anwendungsfälle. Standardmodelle können in bestimmten, hochspezialisierten Finanzkontexten ohne ordnungsgemäßes Fine-Tuning möglicherweise nicht gut funktionieren, 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 erzeugen, was im Finanzwesen riskant ist, wo Entscheidungen auf präzisen Daten beruhen, und zu schlechter Anlageberatung oder Verstößen gegen Vorschriften führen kann.
  • Wenden Sie LLM-Sicherheitstools und extraktive KI an, um dieses Problem zu überwinden und die Modellgenauigkeit sicherzustellen.
• Vorschriften: Der Finanzsektor ist stark reguliert, und KI muss strenge Standards in Bezug auf Transparenz, Rechenschaftspflicht und Datennutzung einhalten, was die Sicherstellung der 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 regulatorische Strafen 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 vorteilhaft. Trotz vieler Vorteile wie Zeitersparnis, großen Datasets und Rechenleistung kann sie Fehlfunktionen aufweisen und sensible Daten offenlegen, was Sicherheitsrisiken birgt. Diese Herausforderungen können sich speziell auf Finanzprozesse und die gesamte Finanzfunktion auswirken.

• 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 McKinsey Global Institute (MGI) könnte der Einsatz von Gen KI in der Bankenbranche zu einer jährlichen Wertschöpfung von $200 Milliarden bis $340 Milliarden führen, was 2.8 bis 4.7 Prozent der gesamten Branchenerlöse entspricht. Diese Wertschöpfung würde in erster Linie aus einer gesteigerten Produktivität resultieren.¹¹

Weitere Einblicke in die Automatisierung im Finanzsektor finden Sie in unserem Artikel über Intelligente Automatisierung im Bank- und 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 the Finance Function of the Future.

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 AI in Trading Market Is Expected To Reach a Revenue Of USD 1,705.1 Mn By 2033, at 26.3% CAGR | 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.

Banking sector gen AI spending worldwide 2023, with forecasts to 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