01 / 05
Die Herausforderung
LendDesk war ein zwei Jahre alter Verbraucherkreditgeber, der rund 400 Kreditanträge pro Woche mit einem veralteten Prüfwerkzeug und einem kleinen Analystenteam bearbeitete. Jeder Antrag dauerte von Anfang bis Ende 26 Stunden. Der Gründer wollte das Volumen verdoppeln, ohne das Team zu verdoppeln – also musste jeder Schritt automatisiert, nachvollziehbar gemacht oder gestrichen werden.
Es gab drei echte Engpässe: die Analyse der Kontoauszüge (mühsam und manuell), die schriftlichen Zusammenfassungen (Analysten schrieben immer wieder dieselben Absätze) und Grenzfälle (Anträge, die weder klar anzunehmen noch klar abzulehnen waren und einen erfahrenen Analysten erforderten).
02 / 05
Unser Vorgehen
Wir bauten mit Laravel eine Plattform zur Kreditvergabe als führendes System – für jeden Antrag, jedes Dokument, jede Entscheidung und jedes Audit-Ereignis. Darauf setzten wir drei gezielte KI-Funktionen: einen feinabgestimmten Klassifikator für Kontoauszüge (PyTorch, selbst gehostet), einen Generator für Zusammenfassungen (OpenAI, mit festem Schema und menschlicher Prüfung) und einen Erklärer für Grenzfälle, der die drei wichtigsten Risikofaktoren jedes unklaren Antrags anzeigt.
Entscheidend: Die KI traf nie die Entscheidung. Jede automatische Empfehlung kam mit einer Erklärung, und ein Mensch unterschrieb immer die endgültige Zusage oder Ablehnung. So blieb der Risikoverantwortliche entspannt – und vor allem hielten wir uns an die Vorgaben der Aufsicht zur modellgestützten Kreditprüfung.
03 / 05
Wichtige Entscheidungen
Den Klassifikator für Kontoauszüge hosteten wir selbst. Vollständige Kontoauszüge an ein externes LLM zu schicken, kam nicht infrage – aus regulatorischen Gründen und weil das Vertrauen der Kunden für den Gründer zentral war. Ein feinabgestimmtes Open-Source-Modell auf einem kleinen GPU-Server erreichte 96 % Genauigkeit zu einem Bruchteil der Kosten.
Jeder KI-Aufruf war strukturiert. Keine freien Prompts, keine erfundenen Felder. Der Zusammenfassungsgenerator erhält strukturiertes JSON und liefert strukturiertes JSON nach einem festen Schema zurück. Leitplanken erkennen Abweichungen, und eine nächtliche Testreihe meldet Verschlechterungen.
Für die Abo-Zusatzleistungen (Premium-Tilgungspläne, Zusatzversicherungen) banden wir Chargebee an. Das Mahnwesen von Chargebee holte im ersten Monat 4,2 % des gefährdeten Umsatzes zurück – reiner Gewinn.
04 / 05
Was sich verändert hat
Die Prüfzeit sank von 26 auf 13,5 Stunden – ein Minus von 48 %. Das Antragsvolumen verdoppelte sich innerhalb von vier Monaten ohne zusätzliches Personal. Das Risikoprofil der bewilligten Kredite blieb unverändert: Die Ausfallquote liegt weniger als 2 Basispunkte über dem Wert vor der Automatisierung. Die PCI-DSS-Prüfung endete ohne blockierende Befunde; SOC-2 Typ 1 ist für Q2 geplant.
05 / 05
Wie es weitergeht
Wir bauen einen Kreditassistenten für Kunden – eine Chat-Oberfläche auf derselben KI-Infrastruktur –, der Antragstellern erklärt, welche Unterlagen sie brauchen und warum. Erste Experimente zeigen 22 % mehr vollständig eingereichte Anträge.
