Top 25 Generative KI-Finanzanwendungen

Ich habe ein Jahrzehnt lang Finanzdienstleister beraten. Jede KI-Implementierung, die ich sah, folgte demselben Muster: Pilotprojekte, die in Präsentationen beeindruckend aussahen, aber in der Produktion stecken blieben.

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

• Für Finanzdienstleister
• Für Finanzabteilungen in Nicht-Finanzunternehmen
• Für das Bankwesen, siehe generative KI-Anwendungen.

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, bei den meisten Buchhaltungsaufgaben hohe Automatisierungsraten erreichen.

Finanzdienstleister

2-Konversationelle Finanzen

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

Konversationelle Finanzen bieten Kunden:

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

Beispielsweise setzt Morgan Stanley OpenAI-gestützte Chatbots ein, um Finanzberater zu unterstützen, indem die internen Forschungsdaten und das Wissen des Unternehmens als Wissensressource genutzt werden.

Mehr zum Thema konversationelle Finanzen finden Sie in unserem Artikel über die Anwendungsfälle von konversationeller KI in der Finanzdienstleistungsbranche. Um die vielfältigen Möglichkeiten zu erkunden, wie konversationelle KI den Kundenservice verbessern kann, lesen Sie unseren speziellen Artikel über konversationelle KI für den Kundenservice.

3-Erstellung antragstellerfreundlicher Ablehnungserklärungen

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

Sowohl Entscheidungsträger als auch Kreditantragsteller benötigen jedoch klare Erklärungen für KI-basierte Entscheidungen, wie z. B. die Gründe für die Ablehnung eines Antrags, um Vertrauen zu schaffen und das Bewusstsein der Kunden für zukünftige Anträge zu verbessern.

Ein bedingtes Generative Adversarial Network (GAN), eine Art generativer KI, wurde eingesetzt, um benutzerfreundliche Ablehnungserklärungen zu generieren. Durch die hierarchische Anordnung der Ablehnungsgründe von einfach bis komplex wird eine zweistufige Konditionierung verwendet, um verständlichere Erklärungen für Antragsteller zu generieren (Abbildung 3).

Praxisbeispiel für die Skripterstellung

In einer Fallstudie rechnet das Investor-Relations-Team mit einer starken Marktreaktion auf die Quartalszahlen des Unternehmens und muss ein umfassendes Skript sowie mögliche Investorenfragen für die Bilanzpressekonferenz vorbereiten.²

Ein Analyst importiert Finanzdaten aus dem aktuellen und den vorherigen Quartalen in eine Tabelle und verwendet ein generatives KI-Tool. Die KI erhält Kontext aus früheren Bilanzpressekonferenzen und spezifische Erkenntnisse, um relevante Kommentare zu generieren.

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

Backoffice

4-Code-Modernisierung für Altsysteme

Banken betreiben immer noch Software, die in COBOL aus den 1970er und 80er Jahren geschrieben wurde. Entwickler zu finden, die COBOL beherrschen, ist nahezu unmöglich, aber 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 generieren, die erklärt, was der Code tatsächlich tut

Goldman Sachs bestätigte, dass generative KI heute ein zentraler Bestandteil ihrer Anwendungsentwicklungs- und -verbesserungsbemühungen ist. Die Entwickler einer Bank validieren den von der KI generierten Code und fangen Fehler vor der Bereitstellung ab, aber die KI erledigt die Schwerstarbeit.

Die Technologiekosten machen ~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 die Abhängigkeit von veralteter Software vermeiden und investieren kontinuierlich in Modernisierungsbemühungen. Enterprise-GenAI-Modelle können Code von Legacy-Softwaresprachen in moderne konvertieren, sodass Entwickler die neue Software validieren können, was erheblich Zeit spart.

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

6-Automatisierte Dokumentenerstellung

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

Generative KI übernimmt dies nun:

• Erstellung professioneller Dokumente aus einfachen Prompts
• Abruf relevanter Daten aus mehreren Systemen
• Anwendung der entsprechenden Formatierung je nach Dokumenttyp und Empfänger
• Sicherstellung der Konsistenz mit regulatorischen Anforderungen

7-Finanzprognose und -analyse

Generative KI verbessert Prognosen, indem sie aus historischen Finanzdaten lernt, um komplexe Muster und Beziehungen zu erfassen. Bei ordnungsgemäßer Feinabstimmung für bestimmte Banken und wirtschaftliche Kontexte treffen diese Modelle Vorhersagen über:

• Vermögenspreisbewegungen
• Zinsentwicklungspfade
• Kreditausfallwahrscheinlichkeiten
• Marktvolatilität
• Trends von Wirtschaftsindikatoren

Das Schlüsselwort lautet: „ordnungsgemäße Feinabstimmung“. Standardmodelle halluzinieren und treffen selbstbewusste Vorhersagen auf der Grundlage von Mustern, die nicht existieren. Banken, die mit KI-Prognosen erfolgreich sind, investieren stark in das Training von Modellen mit ihren spezifischen Daten und die Validierung der Ergebnisse anhand von Expertenurteilen.

8- Marktvorhersagen

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 Benutzern eine Prompt-to-Report-Funktionalität bereitzustellen.⁵

9-Finanzberichterstellung

Automatisierte Berichterstattung

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

• Bilanzen
• Gewinn- und Verlustrechnungen
• Kapitalflussrechnungen

Diese Automatisierung rationalisiert den Berichtsprozess, reduziert den manuellen Aufwand und gewährleistet Konsistenz, Genauigkeit und zeitnahe 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 KI-Textgenerierung Anwendungsfälle und Praxisbeispiele.

11-Betrugserkennung

Generative KI kann zur Betrugserkennung im Finanzwesen eingesetzt werden, indem synthetische Beispiele für betrügerische Transaktionen oder Aktivitäten generiert werden. Diese generierten Beispiele können helfen, Algorithmen des maschinellen Lernens zu trainieren und zu erweitern, um legitime von betrügerischen Mustern in Finanzdaten zu erkennen und zu unterscheiden.

Das verbesserte Verständnis von Betrugsmustern ermöglicht es diesen Modellen, verdächtige Aktivitäten genauer und effektiver zu identifizieren, 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 erhalten

Entdecken Sie, wie generative KI-Anwendungen im Rechtsbereich helfen können, Maßnahmen gegen betrügerische Aktivitäten zu ergreifen.

Praxisbeispiel

Mastercard benötigte einen schnelleren und genaueren Weg, um betrügerische Transaktionen zu erkennen, da Betrüger gestohlene Zahlungskartendaten ausnutzten. Mithilfe generativer KI scannte Mastercard Transaktionsdaten von Millionen von Händlern, um kompromittierte Karten vorherzusagen und zu erkennen, was den Banken half, diese schneller zu sperren und Betrug zu verhindern.

Ergebnisse:

• Verdoppelte Erkennungsrate kompromittierter Karten.
• Reduzierte False Positives bei der Betrugserkennung um bis zu 200 %.
• Erhöhte Geschwindigkeit der Händlerbetrugserkennung um 300 %.

12-Beantwortung von Regulierungsanfragen

Als stark regulierte Branchenteilnehmer erhalten Banken regelmäßig Anfragen von Aufsichtsbehörden.

Praxisbeispiel

Banken führen PoCs durch, um zu prüfen, ob sie LLMs zur Beantwortung einfacher und weniger kritischer Anfragen von Aufsichtsbehörden einsetzen können. ⁶

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, optimale Vermögens- und Vermögensverwaltung zu identifizieren, wobei Faktoren wie:

• Risikotoleranz
• Erwartete Renditen
• Anlagehorizonte berücksichtigt werden.

14-Maßgeschneiderte Indizes

Diese Modelle können verschiedene Marktbedingungen, wirtschaftliche Umgebungen und Ereignisse simulieren, um die potenziellen Auswirkungen auf die Portfolio-Performance besser zu verstehen. Dies ermöglicht es Finanzfachleuten, ihre Anlagestrategien zu entwickeln und zu verfeinern, risikobereinigte Renditen zu optimieren und fundiertere Entscheidungen über die Verwaltung ihrer Portfolios zu treffen. Dies führt letztendlich zu verbesserten finanziellen Ergebnissen für ihre Kunden oder Institutionen.

15-Risikomanagement

Stresstests

Generative KI kann extreme Marktbedingungen simulieren, die in den historischen Daten nicht vorgekommen sind, sodass sich Finanzinstitute besser auf seltene, aber folgenreiche Ereignisse vorbereiten können.

16-Kreditrisikomodellierung

KI-Modelle können synthetische Kreditnehmerprofile generieren, um die Robustheit von Kreditrisikomodellen zu testen und die Genauigkeit von Kreditbewertungen und Ausfallvorhersagen 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 bei der Identifizierung potenziell betrügerischer Aktivitäten oder ungewöhnlicher Transaktionsmuster, 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

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

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

Synthetische Daten ermöglichen:

• Training von Machine-Learning-Modellen ohne Offenlegung von Kundeninformationen
• Stresstests von Systemen mit realistischen Datenmengen
• Validierung von Modellen über verschiedene Kundensegmente hinweg
• Weitergabe von Daten an Partner für Integrationstests

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

Da Kundeninformationen proprietäre Daten für Finanzteams sind, stellt dies Herausforderungen für deren Nutzung und Regulierung dar. Generative KI kann von Finanzinstituten verwendet werden, um synthetische Daten zu generieren, die Datenschutzbestimmungen wie DSGVO und CCPA entsprechen.

Praxisbeispiel für die Generierung synthetischer Daten

Morgan Stanley stand vor der Herausforderung, die Vermögensverwaltungsabläufe zu optimieren und die Interaktionen zwischen Beratern und Kunden durch fortschrittliche KI-Tools zu verbessern, während gleichzeitig die Datensicherheit gewahrt und Fehler minimiert werden sollten.

Sie gingen eine Partnerschaft mit OpenAI ein, um eine generative KI-Plattform zur Synthese von Forschungsdaten 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 und Portfoliomanagern helfen, potenzielle Risiken und Renditen unter verschiedenen Bedingungen zu verstehen.

Laut Dimension Market Research wird die Größe des globalen Marktes für generative KI im Handel bis 2024 auf USD 208,3 Millionen und bis 2033 auf USD 1.705,1 Millionen prognostiziert. Im Jahr 2024 wird ein Wachstum des Marktes mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 26,3 % erwartet.⁷

22-Produktentwicklung

Maßgeschneiderte 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 Bedingungen 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 auf der Grundlage neuer Daten, Marktbedingungen und individuellem Kundenverhalten anpassen.

Risikobewertung

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

Allgemeine Anwendungen

24-Finanzielle Fragenbeantwortung

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 Benutzern liefern.

Diese Modelle können mit großen Datasets an Finanzwissen trainiert werden, um auf eine breite Palette finanzieller Anfragen mit angemessenen Informationen zu antworten, einschließlich Themen wie:

• Buchhaltungsgrundsätze
• Finanzkennzahlen
• Aktienanalyse
• Einhaltung gesetzlicher Vorschriften

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

Erfahren Sie, wie Sie ChatGPT für Ihr Unternehmen nutzen können.

25-Sentimentanalyse

Sentimentanalyse, ein Ansatz innerhalb des 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 ihren Markenruf und ihre Kundenzufriedenheit anhand von Social-Media-Beiträgen, Nachrichtenartikeln, Contact-Center-Interaktionen oder anderen Quellen zu messen.

Zum Beispiel kündigte Bloomberg sein für den Finanzbereich feinabgestimmtes generatives Modell BloombergGPT an, das in der Lage ist, Sentimentanalysen, Nachrichtenklassifizierung und einige andere finanzielle Aufgaben durchzuführen und die Benchmarks erfolgreich zu bestehen.

Lesen Sie unseren Artikel über Sentimentanalyse an der Börse, um mehr zu erfahren.

Herausforderungen generativer KI in der Finanzbranche & Tipps zu deren Bewältigung

• Datengenauigkeit: „Obwohl KI die Verarbeitung und Generierung von Daten erheblich verbessert, kann sie anfällig für erhebliche Datenqualitätsprobleme sein“, wie die Europäische Zentralbank feststellt. Es besteht die Möglichkeit, dass die voreingenommenen und ungenauen Daten, die zum Training von Foundation Models verwendet werden, Ergebnisse mit mehr Fehlern produzieren. Bei der Einspeisung von Foundation Models sind Datenqualität und -genauigkeit entscheidende Faktoren.¹⁰
• Verzerrung in Modellen: KI-Modelle können Verzerrungen aus den Daten, mit denen sie trainiert wurden, übernehmen, was zu unfairen oder verzerrten Entscheidungen führt, insbesondere in Bereichen wie Kreditbewertung oder Anlageempfehlungen.
  • Um solche KI-Verzerrungen zu erkennen, können Unternehmen eine Plattform für verantwortungsvolle KI einsetzen.
• Begrenzte Generalisierung: Unternehmen können sich entweder auf Standard-Large Language Models verlassen oder LLMs feinabstimmen für ihre Anwendungsfälle. Standardmodelle können in spezifischen, hochspezialisierten Finanzkontexten ohne ordnungsgemäße Feinabstimmung 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 feinabzustimmen.
• Halluzinationen: Generative KI kann ungenaue oder frei erfundene Informationen produzieren, was im Finanzwesen riskant ist, wo Entscheidungen auf präzisen Daten beruhen, was zu schlechter Anlageberatung oder Regulierungsverstößen 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 Herausforderungen für die Einhaltung sich entwickelnder rechtlicher Rahmenbedingungen mit sich bringt.
  • Setzen Sie KI-Governance-Tools ein und erstellen Sie ein KI-Inventar, um die KI-Compliance sicherzustellen.
• Datensicherheit: Finanzdaten sind sensibel, und es ist entscheidend, sicherzustellen, dass KI-Systeme sie sicher behandeln und Verstöße oder Missbrauch verhindern, um das Kundenvertrauen zu erhalten und regulatorische Strafen zu vermeiden.¹¹

Entdecken Sie 10 große LLM-Risiken und ihre Auswirkungen.

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 vorteilhaft für Handel, Portfoliomanagement und Finanzmärkte. Trotz ihrer vielen Vorteile, darunter Zeitersparnis, große 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.¹²

• Es wird erwartet, dass J.P. Morgan in diesem Jahr 17 Milliarden US-Dollar in generative KI investieren wird, ein Anstieg um 10 % gegenüber 15,5 Milliarden US-Dollar im Jahr 2023. Fachleute mit Erfahrung in KI und Machine Learning arbeiten in einer Taskforce, um Anwendungen in verschiedenen Geschäftsbereichen zu finden.¹⁴
• Laut dem McKinsey Global Institute (MGI) könnte der Einsatz von Gen KI in der Bankenbranche zu einer jährlichen Wertschöpfung von 200 Milliarden US-Dollar bis 340 Milliarden US-Dollar führen, was 2,8 bis 4,7 Prozent der gesamten Brancheneinnahmen entspricht. Diese Wertschöpfung würde in erster Linie aus erhöhter Produktivität resultieren.¹⁵

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 Sezer, Sena},
  title  = {{Top 25 Generative KI-Finanzanwendungen}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/generative-ai-finance}},
  note   = {AIMultiple. Abgerufen am 24. Juli 2026}
}

Referenzlinks

1.

Generating User-Friendly Explanations for Loan Denials Using Generative Adversarial Networks.

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.

What Generative AI Means For Banking

Forbes

6.

What Generative AI Means For Banking

Forbes

7.

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

8.

BloombergGPT: A Large Language Model for Finance

9.

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

10.

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

11.

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

J.P. Morgan

12.

Banking sector gen AI spending worldwide 2023, with forecasts to 2030..

13.

Estimated value of the banking sector’s generative artificial intelligence (AI) spending worldwide in 2023, with forecasts from 2024 to 2030 (in billion U.S. dollars)

14.

Can investment management harness the power of AI? | J.P. Morgan Asset Management

15.

The future of AI in banking | McKinsey

McKinsey & Company

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sena Sezer

Branchenanalyst

Folgen auf

Sena ist Branchenanalystin bei AIMultiple. Sie hat ihren Bachelor-Abschluss an der Bogazici-Universität erworben.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

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