Was sind Large Language Models?

Die neue Intelligenzschicht für die Finanzindustrie

Wenn aus Sprache ein Wettbewerbsvorteil wird

Stellen Sie sich vor, Sie hätten einen Mitarbeiter, der innerhalb weniger Sekunden umfangreiche Geschäftsberichte analysiert, komplexe Verträge zusammenfasst, Kundenanfragen beantwortet und aus Tausenden Seiten interner Dokumentation die entscheidenden Informationen herausfiltert. Einen Mitarbeiter, der nicht nur Zahlen und Tabellen verarbeitet, sondern auch die Bedeutung einer E-Mail, den Kontext eines Gesprächs oder die Argumentation in einer Vorstandsvorlage versteht.

Was vor wenigen Jahren noch nach Science-Fiction klang, ist heute in weiten Teilen Realität. Möglich machen es sogenannte Large Language Models, kurz LLMs. Sie bilden eine zentrale technologische Grundlage moderner KI-Anwendungen und eröffnen gerade in Banken, Versicherungen und Investmentgesellschaften neue Möglichkeiten.

Doch was steckt hinter dieser Technologie? Und warum ist sie für Führungskräfte so relevant, dass sie weit über die IT-Abteilung hinaus auf die strategische Agenda gehört?

Was ist ein Large Language Model?

Ein Large Language Model ist ein großes, mit umfangreichen Daten trainiertes KI-Modell, das menschliche Sprache verarbeiten und erzeugen kann. Es erkennt Zusammenhänge zwischen Wörtern, Sätzen und Textpassagen und kann daraus Bedeutungen und sprachliche Muster ableiten. Moderne LLMs können darüber hinaus je nach Modell auch Bilder, Tabellen, Dokumente und andere Datentypen verarbeiten.

Die technische Grundlage bilden neuronale Netze. Diese sind lose vom menschlichen Gehirn inspiriert, funktionieren jedoch grundlegend anders. Besonders prägend für heutige LLMs ist die sogenannte Transformer-Architektur. Sie ermöglicht es dem Modell, Beziehungen zwischen verschiedenen Teilen eines Textes zu berücksichtigen – auch wenn diese weit auseinanderliegen. Vereinfacht gesagt: Ein LLM lernt während seines Trainings, welche sprachlichen Muster und Zusammenhänge in großen Datenmengen vorkommen. Bei einer Anfrage erzeugt es darauf aufbauend eine passende Antwort, indem es schrittweise wahrscheinliche nächste Texteinheiten, sogenannte Tokens, vorhersagt. Tokens können Wörter, Wortbestandteile oder Satzzeichen sein.

Das klingt zunächst wenig spektakulär. Doch die Kombination aus riesigen Trainingsdatenmengen, leistungsfähigen neuronalen Netzen und enormer Rechenleistung führt zu bemerkenswerten Fähigkeiten: LLMs können Texte zusammenfassen, Informationen vergleichen, Argumentationen nachvollziehen, Code schreiben und komplexe Aufgaben in einzelne Schritte zerlegen.

Wichtig ist dabei eine Einschränkung: Ein LLM verfügt nicht automatisch über ein verlässliches Verständnis der Wirklichkeit. Es erzeugt Antworten auf Basis gelernter Muster und des verfügbaren Kontexts. Dabei kann es Fehler machen oder überzeugend klingende, aber falsche Aussagen produzieren. Sprachliche Kompetenz ist deshalb nicht mit faktischer Zuverlässigkeit gleichzusetzen.

Das LLM als hochqualifizierter Generalist

Um die Bedeutung dieser Technologie zu verstehen, hilft ein Blick auf klassische Organisationsstrukturen in Unternehmen.

In einem Finanzinstitut gibt es spezialisierte Abteilungen: Die Rechtsabteilung prüft Verträge, das Risikomanagement bewertet Risiken, der Vertrieb betreut Kunden und das Controlling analysiert Kennzahlen. Jede Einheit verfügt über eigenes Fachwissen und ihre eigene Perspektive. Informationen liegen zudem häufig in unterschiedlichen Systemen und Dokumenten vor.

Ein LLM lässt sich mit einem hochqualifizierten Generalisten vergleichen, der mit den Denk- und Ausdrucksweisen all dieser Bereiche vertraut ist. Er kann einen Kreditvertrag sprachlich analysieren, eine Risikobewertung verständlich zusammenfassen und die wesentlichen Aussagen eines Geschäftsberichts herausarbeiten. Das Besondere: Er benötigt für jede dieser Aufgaben nicht zwingend ein vollständig neu entwickeltes Programm. Oft reicht es, ihm die Aufgabe in natürlicher Sprache zu beschreiben und die relevanten Informationen bereitzustellen.

Allerdings hat dieser Generalist auch Grenzen. Er ersetzt nicht automatisch den erfahrenen Juristen, den Risikomanager oder den Kundenberater. Er kennt möglicherweise nicht die aktuellen internen Richtlinien und kann fachlich plausible Fehler machen. Seine Stärke liegt vielmehr darin, Informationen schnell zu erschließen, Vorarbeiten zu leisten und Spezialisten produktiver zu machen.

Eine weitere Analogie verdeutlicht den Unterschied zwischen einem LLM und einer klassischen Softwarelösung: Während eine herkömmliche Anwendung meist präzise definierte Regeln abarbeitet, kann ein LLM flexibel auf unterschiedliche Formulierungen reagieren. Es ist damit weniger mit einem starren Sachbearbeiter vergleichbar als mit einem sprachlich versierten Mitarbeiter, der auch dann eine sinnvolle Bearbeitung beginnt, wenn eine Anfrage nicht exakt dem vorgesehenen Formular entspricht.
 

Unstrukturierte Informationen: der verborgene Datenschatz

Warum ist diese Fähigkeit gerade für die Finanzindustrie so wertvoll? Weil ein erheblicher Teil ihrer geschäftlich relevanten Informationen nicht in sauber strukturierten Datenbanken liegt.

Natürlich arbeiten Finanzinstitute mit Zahlen, Buchungen, Stammdaten und Kennzahlen. Diese Informationen lassen sich in Tabellen und standardisierten Systemen ablegen und mit klassischen Analyseverfahren auswerten. Doch daneben existiert eine zweite Welt: E-Mails, Gesprächsprotokolle, Verträge, Anlageempfehlungen, Marktberichte, Schadensmeldungen, interne Richtlinien und regulatorische Veröffentlichungen.

Diese Daten sind unstrukturiert oder zumindest nur teilweise strukturiert. Ihre Bedeutung ergibt sich aus Sprache, Kontext und Zusammenhängen – nicht allein aus festgelegten Feldern und Zahlenwerten.

Ein Beispiel: Ein klassisches System kann eine Überweisung anhand von Betrag, Empfänger und Buchungsdatum prüfen. Ein LLM kann dagegen zusätzlich den Text einer Kundenbeschwerde analysieren, relevante Informationen aus der bisherigen Korrespondenz herausarbeiten und die geschilderten Probleme nach Themen ordnen. Es kann dabei auch unterschiedliche Formulierungen erkennen, mit denen Kunden denselben Sachverhalt beschreiben.

Oder denken wir an die Kreditprüfung eines Firmenkunden. Neben Bilanz und Gewinn-und-Verlust-Rechnung liegen möglicherweise Geschäftsberichte, Branchenanalysen, Vertragsunterlagen und Erläuterungen des Unternehmens vor. Ein LLM kann diese Dokumente zusammenfassen, relevante Passagen identifizieren und Widersprüche oder offene Fragen für die weitere Prüfung sichtbar machen. Die eigentliche Kreditentscheidung bleibt dabei eine separate Aufgabe, für die zusätzliche Daten, verbindliche Regeln und menschliche Verantwortung erforderlich sein können.

Der wirtschaftliche Hebel liegt auf der Hand: Informationen, deren manuelle Auswertung bisher viel Zeit beanspruchte, werden schneller zugänglich. Mitarbeiter verbringen weniger Zeit mit Suchen, Lesen und Zusammenfassen und können sich stärker auf Bewertung, Beratung und Entscheidungen konzentrieren.
 

Was LLMs technologisch möglich machen

Die Fähigkeiten moderner LLMs gehen weit über das Verfassen gut klingender Texte hinaus. Für Finanzunternehmen sind insbesondere folgende Einsatzmöglichkeiten interessant:

1. Komplexe Dokumente verstehen und verdichten

Ein LLM kann umfangreiche Geschäftsberichte, Kreditunterlagen oder regulatorische Texte auf die wesentlichen Aussagen reduzieren. Es kann Unterschiede zwischen Dokumentversionen herausarbeiten und gezielt Fragen zu bereitgestellten Inhalten beantworten. Damit wird aus einer zeitaufwendigen Recherche eine dialogorientierte Informationssuche.

2. Sprache in strukturierte Informationen übersetzen

Aus einer frei formulierten Schadensmeldung lassen sich beispielsweise Schadenstyp, beteiligte Parteien und relevante Ereignisse extrahieren. Aus Gesprächsnotizen können Aufgaben, Fristen und offene Kundenanliegen entstehen. Das Modell überführt sprachliche Informationen in strukturierte Ergebnisse, die anschließend von anderen Systemen weiterverarbeitet werden können.

3. Kommunikation individuell gestalten

LLMs können Kundenanfragen in verständlicher Sprache beantworten, Schreiben entwerfen oder komplexe Finanzprodukte für unterschiedliche Zielgruppen erklären. In Verbindung mit freigegebenen Unternehmensinformationen lassen sich Antworten stärker auf den jeweiligen Kontext abstimmen. Gerade bei Finanzprodukten bleiben allerdings Verständlichkeit, Vollständigkeit und regulatorische Anforderungen entscheidend.

4. Softwareentwicklung und Prozessautomatisierung unterstützen

LLMs können Programmcode erzeugen, bestehenden Code erläutern, Fehlerquellen identifizieren und technische Dokumentation erstellen. In Kombination mit weiteren Softwarekomponenten können sie außerdem mehrstufige Arbeitsabläufe unterstützen – beispielsweise Informationen recherchieren, Ergebnisse vergleichen und einen Bericht vorbereiten.

Diese Beispiele zeigen: Ein LLM ist nicht bloß ein besserer Chatbot. Es ist eine flexible Verarbeitungskomponente, die sich in unterschiedlichste Geschäftsprozesse integrieren lässt.
 

Vom Sprachmodell zur konkreten Geschäftsanwendung

Ein wichtiger Unterschied wird häufig übersehen: Das LLM allein ist noch keine vollständige Unternehmenslösung.

Zur Veranschaulichung eignet sich erneut die Organisationsanalogie. Ein Generalist kann viele Aufgaben bearbeiten, benötigt aber Zugriff auf die richtigen Unterlagen, klare Arbeitsaufträge und definierte Zuständigkeiten. Ebenso braucht ein LLM im Unternehmenseinsatz häufig zusätzliche Komponenten.

Über eine Anbindung an interne Wissensquellen kann es beispielsweise aktuelle Richtlinien oder Produktinformationen berücksichtigen. Dieses Prinzip wird oft als Retrieval-Augmented Generation (RAG) bezeichnet: Relevante Informationen werden zunächst aus einer Wissensbasis abgerufen und anschließend für die Antwortgenerierung bereitgestellt. Dadurch lassen sich Antworten stärker auf überprüfbare Quellen stützen, auch wenn Fehler weiterhin möglich sind. Über Schnittstellen kann ein Modell zudem mit anderen Anwendungen interagieren. Ein KI-Assistent könnte etwa eine Kundenanfrage klassifizieren, passende Informationen aus einem internen System abrufen und einen Antwortentwurf erstellen. Welche Aktionen tatsächlich ausgeführt werden dürfen, muss dabei technisch und organisatorisch klar geregelt sein.

Für Finanzinstitute sind deshalb neben der Leistungsfähigkeit des Modells auch Datenschutz, Informationssicherheit, Zugriffsrechte, Nachvollziehbarkeit und regulatorische Anforderungen entscheidend. Besonders bei sensiblen Kundendaten und risikoreichen Entscheidungen müssen Kontrollen und Verantwortlichkeiten von Anfang an mitgedacht werden.
 

Fazit: Eine neue Schnittstelle zwischen Mensch, Wissen und Technologie

Large Language Models verändern die Art, wie Menschen mit Informationen und Software arbeiten. Ihre besondere Stärke besteht darin, menschliche Sprache als flexible Schnittstelle zwischen komplexen Datenbeständen, Geschäftsprozessen und Anwendern nutzbar zu machen.

Für Banken, Versicherungen und Investmentgesellschaften liegt das Potenzial nicht allein in schnelleren Texten oder freundlicheren Chatbots. Es liegt vor allem darin, bislang schwer erschließbares Wissen zugänglich zu machen, manuelle Informationsarbeit zu reduzieren und bestehende Prozesse intelligenter zu unterstützen.

Der entscheidende Erfolgsfaktor ist dabei nicht die Technologie allein. Wie bei jeder leistungsfähigen Organisation entstehen gute Ergebnisse erst durch das Zusammenspiel von Kompetenzen, Informationen, klaren Regeln und verantwortungsvollen Entscheidungen.

LLMs können zu äußerst leistungsfähigen digitalen Kollegen werden. Doch auch der beste digitale Kollege braucht die richtigen Aufgaben, verlässliche Arbeitsgrundlagen und eine Organisation, die weiß, wo sie ihm vertrauen kann – und wo nicht.

Lesen Sie weiter hier: Prompt Engineering - Wie man KI richtig beauftragt