Enterprise-KI-Plattform für eine österreichische Bank

Enterprise-KI-Plattform für eine österreichische Bank – Kreditentscheidungsunterstützung, automatisierte Fallakten, Gutachten & interner Wissens-Chatbot auf Azure

Moderne Banken stehen unter Druck, Kreditanträge schneller zu bearbeiten, Entscheidungen umfassender zu dokumentieren und Mitarbeitenden sofortigen Zugriff auf verlässliches internes Wissen zu geben — und das alles, ohne Compliance, Nachvollziehbarkeit oder Risikokontrolle zu gefährden. Bei inteliScience haben wir für ein österreichisches Bankinstitut eine Enterprise-KI-Plattform auf Microsoft Azure unter Verwendung von GPT-Modellen entwickelt und implementiert, um zentrale Kredit- und operative Workflows zu modernisieren.

Die Plattform wurde entwickelt, um vier kritische Funktionen in einem einzigen sicheren Ökosystem zu unterstützen: automatisierte Erstellung von Fallakten, KI-gestützte Gutachten, Bonitätsanalyse auf Basis der Bankhistorie und finanzieller Eingaben sowie einen rollenbasierten internen Chatbot, der es Bankmitarbeitern ermöglicht, Richtlinien, Prozesse und internes Wissen in natürlicher Sprache abzufragen.

Zum Schutz der Vertraulichkeit wurden alle identifizierenden Kundendaten entfernt oder verallgemeinert.

Kundenhintergrund

Der Kunde ist ein österreichisches Finanzinstitut mit einem bedeutenden Retail- und KMU-Kreditgeschäft. Kreditvergabe, Risikobewertung und interne Dokumentation waren auf mehrere Systeme und Abteilungen verteilt, was zu Engpässen zwischen Front Office, Risikoteams, Back Office und Compliance führte.

Obwohl die Bank bereits stark in digitale Systeme investiert hatte, waren viele geschäftskritische Workflows weiterhin von manueller Dokumentenerstellung, fragmentierter Informationsbeschaffung und analystengesteuerter Fallinterpretation abhängig. Dies verlangsamte die Durchlaufzeiten, erhöhte die Prozesskosten und führte zu Inkonsistenzen bei der Erstellung und Begründung von Fällen.

Geschäftliche Herausforderungen

• Kreditsachbearbeiter und Analysten verbrachten zu viel Zeit mit der manuellen Erstellung und Vervollständigung von Fallakten
• Gutachten und Kreditmemoranden unterschieden sich in Struktur und Tiefe je nach Mitarbeiter
• Bonitätsprüfungen erforderten die Datensammlung aus mehreren Quellen anstelle eines einheitlichen Workflows
• Bankhistorie, Transaktionsverhalten, Eigenkapitalanteil, Verbindlichkeiten und unterstützende Dokumente wurden nicht ausreichend standardisiert bewertet
• Mitarbeitern fehlte eine schnelle und zuverlässige Möglichkeit, interne Prozesse, Richtlinien und operative Dokumentation zu durchsuchen
• Wiederkehrende interne Fragen banden Kapazitäten von erfahrenen Mitarbeitern
• Compliance-, Nachvollziehbarkeits- und Erklärbarkeitsanforderungen schlossen einen einfachen „Black-Box-KI“-Ansatz aus

Die Bank benötigte mehr als nur einen Chatbot. Sie brauchte eine kontrollierte KI-Betriebsschicht, die auf bestehenden Banksystemen aufsetzt und die Entscheidungsaufbereitung, Dokumentationsqualität und den Wissenszugriff verbessert, ohne die Governance zu schwächen.

Warum ein generischer KI-Chatbot nicht ausreichte

Im Bankwesen, insbesondere bei kreditbezogenen Workflows, kann generative KI nicht einfach an interne Daten angebunden werden und unkontrollierte Antworten oder Empfehlungen erzeugen. Die Lösung musste Retrieval, Regeln, Scoring-Logik, Nachvollziehbarkeit, Genehmigungs-Workflows und rollenbasierten Zugriff kombinieren.

Aus diesem Grund haben wir die Plattform als ein mehrschichtiges KI-System konzipiert und nicht als ein einzelnes, isoliertes Modell. GPT-Modelle wurden dort eingesetzt, wo sie den größten Mehrwert bieten — bei der Zusammenfassung, der Erstellung von Entwürfen, dem Reasoning auf Basis strukturierter Daten sowie der Interaktion in natürlicher Sprache — während deterministische Kontrollen, Policy-Prüfungen und Review-Mechanismen weiterhin integraler Bestandteil der Prozessarchitektur blieben.

Lösungsüberblick

Die finale Plattform bestand aus vier eng integrierten Lösungskomponenten:

• KI-gestützter Fallakten-Builder zur automatischen Zusammenstellung und Erstellung vollständiger Kreditakten
• Kreditentscheidungs-Unterstützungs-Engine zur strukturierten Bonitätsbewertung unter Verwendung historischer und finanzieller Daten
• KI-gestützter Gutachten-Generator zur Erstellung formaler Erstentwürfe von Bewertungen und Empfehlungsgutachten
• Interner Banking-Wissens-Chatbot für den Zugriff von Mitarbeitenden auf vertrauenswürdige interne Informationen über natürliche Sprache

Alle Module wurden auf Microsoft Azure bereitgestellt und basieren auf einer sicheren Architektur unter Verwendung von Azure OpenAI / GPT-Modellen, Retrieval-Pipelines, Dokumentenextraktionsdiensten, Zugriffskontrolle und vollständiger Observability.

Modul 1 – KI-gestützter Fallakten-Builder

Der erste große Engpass im Kreditprozess des Kunden war der Zeitaufwand für die Erstellung vollständiger und entscheidungsreifer Fallakten. Berater und Analysten mussten Kundeninformationen, Finanzdokumente, Sicherheiten, Rückzahlungsannahmen und interne Notizen aus mehreren Systemen zusammentragen, bevor ein Fall überhaupt in die Prüfung gehen konnte.

Wir haben einen KI-gestützten Fallakten-Builder entwickelt, der automatisch relevante Daten sammelt, Inhalte aus hochgeladenen Dokumenten extrahiert, diese in das interne Format der Bank strukturiert und einen ersten vollständigen Entwurf der Fallakte erstellt.

• Dokumentenaufnahme: Gehaltsabrechnungen, Kontoauszüge, Antragsformulare, Sicherheitenunterlagen, Ausweisdokumente und unterstützende PDFs
• Datenextraktion: relevante Felder werden identifiziert, normalisiert und gegen erwartete Formate validiert
• Fallzusammenstellung: Kundenprofil, Einkommenssituation, Zahlungshistorie, Verbindlichkeiten, Eigenkapital/Anzahlung sowie Risikohinweise werden in einer einheitlichen Struktur zusammengeführt
• Entwurfserstellung: Das System erstellt eine strukturierte Fallakte zur Prüfung durch Analysten, anstatt Mitarbeitende mit einer leeren Vorlage arbeiten zu lassen

Anstatt Mitarbeitende zu ersetzen, eliminiert das Modul die repetitiven administrativen Aufgaben, die zuvor große Teile des Kreditprüfungsprozesses in Anspruch genommen haben.

Modul 2 – Kreditentscheidungs-Unterstützungs-Engine

Der sensibelste Teil des Projekts war der Bonitätsprüfungs-Workflow. Ziel war es hier nicht, ein Sprachmodell endgültige Kreditentscheidungen treffen zu lassen, sondern eine Entscheidungsunterstützungsschicht zu schaffen, die alle relevanten Eingaben standardisiert und nachvollziehbar bewertet.

Die Engine kombiniert historische und aktuelle Finanzkennzahlen in einem strukturierten Bewertungsframework.

• Konto- und Transaktionshistorie bei der Bank
• Einkommensstabilität und Leistbarkeitsindikatoren
• Bestehende Verbindlichkeiten und Rückzahlungsverpflichtungen
• Anzahlung / Eigenkapitalanteil
• Sicherheitenbezogene Informationen, sofern zutreffend
• Missing or contradictory documentation
• Behavioral and account pattern signals relevant to internal policy

The output is not a black-box verdict. The system produces a transparent credit recommendation package consisting of:

• A structured risk summary
• A preliminary classification of the case
• Key positive and negative drivers
• Detected gaps or anomalies in the file
• A recommended next step such as approve, escalate, request more information, or reject
• A written explanation that can be reviewed by a human decision-maker

This made the process more consistent across teams while preserving human authority over the final decision.

Modul 3 – KI-generierte Gutachten und Kreditmemoranden

Eine weitere wesentliche Ineffizienzquelle war die Erstellung schriftlicher Fachgutachten. Diese Berichte hingen häufig von der individuellen Erfahrung des Analysten ab und waren insbesondere in komplexeren oder grenzwertigen Fällen zeitaufwendig zu erstellen.

Wir haben einen KI-gestützten Gutachten-Generator implementiert, der strukturierte Falldaten in einen qualitativ hochwertigen Erstentwurf im internen Berichtsformat der Bank überführt.

• Executive summary: clear overview of the applicant and financing request
• Financial assessment: income, liabilities, affordability, and repayment capacity analysis
• Risk discussion: exposure, inconsistencies, concentration risks, or documentation weaknesses
• Decision rationale: explanation aligned with internal banking logic and review standards
• Open points: data gaps and items requiring manual clarification

Das Ergebnis war eine deutliche Verbesserung der Dokumentationsgeschwindigkeit und -konsistenz. Analysten mussten Berichte nicht mehr von Grund auf neu erstellen, sondern arbeiteten auf Basis einer strukturierten und überprüfbaren Erstversion.

Modul 4 – Interner Banking-Wissens-Chatbot

Die Bank wollte außerdem, dass Mitarbeitende abteilungsübergreifend schnellen Zugriff auf internes Wissen haben, ohne auf verstreute Ordner, veraltete PDFs oder Rückfragen bei Kollegen angewiesen zu sein.

Wir haben einen sicheren internen KI-Chatbot entwickelt, der Mitarbeitenden eine konversationelle Schnittstelle zu internem Bankwissen bietet. Der Assistent kann Fragen beantworten zu:

• Credit process rules and approval paths
• Internal policies and operating procedures
• Bank products and eligibility conditions
• Documentation standards and required forms
• Compliance instructions and internal guidelines
• Onboarding and back-office process questions

Entscheidend ist, dass der Chatbot nicht als generischer, frei antwortender Assistent implementiert wurde. Stattdessen basiert er auf einer retrieval-basierten Architektur, die mit verifizierten internen Quellen verbunden ist, sodass Antworten auf den eigenen Inhalten der Bank basieren und nicht aus dem Modellgedächtnis „erfunden“ werden.

Zusätzlich wurden die Antworten anhand von Benutzerberechtigungen eingeschränkt, sodass Mitarbeitende nur auf Informationen zugreifen können, für die sie autorisiert sind.

Zielarchitektur auf Microsoft Azure

The platform was deployed on Microsoft Azure to meet enterprise requirements for scalability, security, and controlled AI adoption.

• Azure OpenAI / GPT models: natural language generation, summarization, report drafting, explanation generation, and chatbot interaction
• Azure AI Document Intelligence: extraction of structured content from scanned and digital banking documents
• Azure AI Search: retrieval layer for the internal knowledge chatbot, combining semantic and keyword-based search across bank documentation
• Azure SQL / secure structured storage: persistence of normalized case data and workflow state
• Azure Blob Storage: secure storage for uploaded files and document artifacts
• Azure Functions / workflow services: orchestration of ingestion, scoring, enrichment, and document generation steps
• Microsoft Entra ID: identity, role-based access control, and enterprise authentication
• Azure Key Vault: secrets and credential management
• Azure Monitor & logging: observability, traceability, and operational control

The architecture was designed as a modular system so that document automation, chatbot capabilities, and credit decision support could evolve independently without disrupting the bank’s core platform.

Common Banking AI Design Principles Applied in This Project

This project followed enterprise AI patterns commonly required in regulated financial environments.

• Human-in-the-loop: final credit decisions remain under human authority
• Evidence-based generation: reports and chatbot responses are grounded in retrieved or structured source data
• Explainability: recommendations include reasons, drivers, anomalies, and missing-data notes
• Policy-aware orchestration: workflow logic respects internal review paths and business rules
• Role-based access: sensitive information is filtered based on employee permissions
• Auditability: prompts, outputs, workflow steps, and relevant events can be logged and reviewed
• Progressive rollout: pilot first, high-confidence use cases first, then controlled expansion

Implementation Approach

Because the project involved sensitive banking workflows, it was delivered in phases rather than as a single “big bang” deployment.

• Phase 1 – Discovery & process mapping: identify document flows, decision points, review roles, and source systems
• Phase 2 – Knowledge & document foundation: connect internal sources, define extraction logic, establish templates and retrieval strategy
• Phase 3 – Credit decision support: model the scoring inputs, recommendation logic, and explanation framework
• Phase 4 – Controlled pilot: run the system on selected case types and internal users
• Phase 5 – Rollout & optimization: expand coverage, improve prompts, refine templates, and monitor adoption

This phased approach reduced risk and allowed the bank to validate both technical quality and governance readiness before scaling adoption.

Operational Workflow Example

A typical loan workflow after implementation looked like this:

• Customer documents and application data enter the system
• The platform extracts and normalizes relevant content automatically
• Historical banking signals and financial inputs are combined into a structured risk view
• The AI prepares the case file and a first expert memorandum draft
• The credit decision support engine highlights strengths, weaknesses, and open questions
• A human analyst reviews, edits, and approves or escalates the case
• Employees can use the internal chatbot at any point to verify procedures or policy requirements

This replaced fragmented manual work with a guided process supported by AI at every high-friction step.

Security, Compliance & Governance

From the beginning, the solution was designed for a regulated banking environment. The objective was not only performance, but also control.

• Role-based access control for internal users and sensitive content
• Controlled access to internal knowledge sources
• Reviewable and editable outputs instead of fully autonomous actions
• Logging and monitoring for operational transparency
• Prompt and template governance for consistent output quality
• Segregation between raw source content, normalized data, and generated artifacts
• Secure cloud deployment aligned with enterprise IT standards

The platform was intentionally built as an assistive and governed AI system, not as an uncontrolled autonomous decision engine.

In banking, the real value of AI is not just faster text generation. It is the ability to turn documents, history, policies, and human review into one controlled decision-support workflow.

inteliScience:

Zentrale Ergebnisse

The platform delivered measurable operational value across multiple parts of the bank’s lending and support processes.

• Case preparation time reduced significantly through automated file assembly and document extraction
• Higher consistency in expert reports thanks to structured AI-generated first drafts
• Better standardization of credit assessments through a unified recommendation framework
• Faster internal response times because employees could query procedures and policies directly through the chatbot
• Reduced dependence on senior staff for repetitive internal questions
• Improved transparency through explanation-based outputs instead of opaque recommendations
• Better scalability without proportionally increasing manual operational workload

Strategic Impact

What started as a request for “an AI chatbot for the bank” evolved into a much more strategic result: a bank-wide AI operating layer that improved how cases are created, how risk is documented, and how internal knowledge is accessed.

By combining GPT models with structured banking workflows, document intelligence, retrieval, and governance controls on Azure, the bank gained a platform that supports faster and more consistent work — while still respecting the realities of compliance-heavy financial operations.

Use Cases for Future Expansion

After the initial rollout, the architecture created a strong foundation for additional AI use cases such as:

• Customer service assistance for internal support teams
• Fraud and anomaly investigation support
• Collections and restructuring case preparation
• KYC / onboarding document reviews
• Compliance and audit preparation support
• Internal training and policy navigation assistants

Need an AI platform for your bank or financial institution?

Let’s talk. If your organization wants to automate document-heavy processes, standardize expert assessments, and deploy a secure internal banking chatbot on Azure, inteliScience: can design and build a tailored AI solution for regulated financial environments.

We help banks move beyond isolated chatbot experiments toward real enterprise AI systems with governance, integration, and measurable business value.