KI im Risikomanagement

Was macht ein Spezialist für KI im Risikomanagement?

Du baust und prüfst Modelle, die über Geld entscheiden: Wie wahrscheinlich fällt ein Kredit aus? Ist diese Zahlung auffällig? Welcher Beitrag ist für diesen Vertrag angemessen? Wie viel Geld muss zurückgelegt werden, um künftige Schäden decken zu können? Fachlich ist das eine Mischung aus Statistik, Wahrscheinlichkeitsrechnung und dem Geschäft des Hauses, in dem du arbeitest.

Der Unterschied zu anderen Datenrollen liegt in der Aufsicht. Banken und Versicherungen werden geprüft, und geprüft wird nicht nur das Ergebnis, sondern der Weg dorthin. Ein Modell muss erklärbar sein, es muss dokumentiert sein, und jemand muss es unabhängig nachrechnen können. Das schränkt die Werkzeugwahl spürbar ein: Ein einfaches, gut begründetes Verfahren mit nachvollziehbaren Einflussgrößen setzt sich in diesem Umfeld häufig gegen ein komplexes durch, das etwas besser trifft, aber nicht erklärbar ist. Wer aus der Forschung kommt, empfindet das zunächst als Rückschritt. Tatsächlich ist es eine andere Zielfunktion: nicht die beste Trennschärfe, sondern die beste vertretbare.

Dazu kommt die Trennung zwischen Bauen und Prüfen. In vielen Häusern entwickelt ein Team das Modell und ein anderes prüft es unabhängig nach. Beide Seiten sind eigene Berufswege, und ein Wechsel dazwischen ist üblich.

Vom Data Scientist unterscheidet dich weniger die Methode als der Rahmen: Dokumentation, Nachvollziehbarkeit und Freigabeschritte machen einen erheblichen Teil der Arbeit aus. Vom AI-Governance-Manager unterscheidet dich, dass du selbst rechnest – er setzt Regeln und beaufsichtigt, du entwickelst innerhalb dieser Regeln.

Was du im Praktikum machst

Selten das Kernmodell selbst, dafür ist die Freigabekette zu lang. Typisch sind Zuarbeiten mit klarem Rand: Datenaufbereitung für einen Modelllauf, eine Analyse zur Stabilität eines vorhandenen Modells über die Zeit, ein Vergleich mehrerer Verfahren auf demselben Bestand.

Ein häufiger Auftrag ist Dokumentation – und das ist ernster gemeint, als es klingt. Zu beschreiben, welche Daten eingegangen sind, wie mit fehlenden Werten umgegangen wurde und warum eine Einflussgröße drin ist, zwingt dich, das Modell wirklich zu verstehen. Praktikanten finden dabei regelmäßig Ungereimtheiten, die vorher niemandem aufgefallen sind.

Dazu kommen Auswertungen für Berichte an die Fachbereiche und die Betreuung wiederkehrender Rechenläufe. Bei der Betrugserkennung kommt eine eigene Erfahrung hinzu: Auffällige Fälle werden von Menschen nachgeprüft, und deren Rückmeldung ist deine wichtigste Datenquelle. Ein Modell, das täglich hundert Hinweise erzeugt, von denen zwei stimmen, wird schlicht nicht mehr benutzt – die Schwelle richtig zu setzen, ist genauso Teil der Arbeit wie das Modell selbst.

Was du mitbringen solltest

Ein solides Studium in Mathematik, Statistik, Aktuarwissenschaft oder einem verwandten Fach – der Hintergrund ist in dieser Rolle wichtiger als in vielen anderen Datenberufen. Dazu Python oder R, SQL und ein Grundverständnis für Zeitreihen und Wahrscheinlichkeitsverteilungen.

Genauso zählt Gründlichkeit im Schriftlichen. Wenn dein Modell in zwei Jahren geprüft wird, entscheidet deine Dokumentation darüber, ob es bestehen bleibt. Und es hilft, ein gesundes Misstrauen gegenüber auffällig guten Ergebnissen zu haben: In Risikodaten steckt oft eine Information, die es zum Zeitpunkt der Entscheidung noch gar nicht gab – wer den Kredit später nicht bedient hat, ist im Bestand leicht daran zu erkennen, dass eine Mahnstufe eingetragen ist. Solche Größen aus den Daten herauszuhalten, ist eine der wiederkehrenden Aufgaben.

Was du verdienst

Die Werte sind Erfahrungswerte, keine Zusage. Praktika liegen bei rund 1.600 Euro brutto im Monat, in großen Häusern eher am oberen Rand. Der Einstieg bewegt sich um 4.800 Euro, mit zwei bis drei Jahren Erfahrung zwischen 5.300 und 6.800 Euro. Das Niveau ist stabil und weniger von Konjunktur abhängig als in Produktfirmen; nach einer Aktuarsausbildung oder mit Erfahrung in der Modellvalidierung öffnet sich die Spanne nach oben.

Wie es weitergeht

Ein Weg führt in die Modellvalidierung, also auf die prüfende Seite – dort sitzt oft die größere Erfahrung. Ein anderer führt über die Aktuarsausbildung tiefer in die Versicherungsmathematik. Wer beim Bauen bleibt, wird Senior Risk Analyst, und wer koordiniert, übernimmt die Leitung eines Bereichs für Risikomodelle.