Bonitätsbewertung & Ausfallprognose (Credit Scoring)

Wer Geld verleiht oder vor der Zahlung liefert, muss wissen, wer zahlen wird. Das betrifft Banken, Leasinggesellschaften, BNPL-Anbieter, Telekommunikationsunternehmen, Energieversorger und Mittelstandsunternehmen, die auf Rechnung verkaufen. Credit Scoring lernt aus früheren Rückzahlungsergebnissen und schätzt für jeden Antragsteller oder Kunden eine Ausfallwahrscheinlichkeit. Das Ergebnis ist ein Score mit einer Entscheidung und den dahinterstehenden Gründen. Die Technik ist 60 Jahre alt. Gradient-Boosting-Bäume, Open-Banking-Cashflow-Daten und tabellarische Foundation-Modelle erlauben inzwischen auch kleinen Kreditgebern bessere Modelle als statische Scorekarten. Das EU-Recht setzt die Grenzen: Die Bonitätsbewertung natürlicher Personen ist Hochrisiko nach der KI-Verordnung (AI Act), und der EuGH hat entschieden, dass ein maßgeblicher Score eine automatisierte Entscheidung nach Art. 22 DSGVO ist.

Problem & Nutzen

• Heute: Große Kreditgeber betreiben Scorekarten auf Basis logistischer Regression und IRB-Ratingmodelle, die mit SAS oder Python erstellt und jährlich geprüft werden. KMU und Händler nutzen Auskunfteiscores (SCHUFA, Creditreform, CRIF) mit festen Schwellenwerten, oder eine Person entscheidet nach Bauchgefühl. Antragsteller mit dünner Datenhistorie (junge Menschen, Zugewanderte, Selbstständige, Start-ups) werden abgelehnt oder schlecht bepreist, weil die Auskunftei wenig über sie weiß.
• KI-Nutzen: bessere Trennung guter von schlechten Risiken bei gleicher Annahmequote, oder mehr Annahmen bei gleicher Ausfallquote. Sofortentscheidungen bei kleinen Beträgen. Nutzung von Cashflow-Daten aus dem PSD2-Kontozugriff für Kunden mit dünner Datenhistorie. Frühere Warnung bei bestehenden Kreditnehmern durch Verhaltensscores. Einheitliche, dokumentierte Entscheidungen statt individueller Einschätzung.
• Größenordnung: Provenir berichtet von mehr als 4 Milliarden Entscheidungen pro Jahr für über 120 Finanzdienstleister [10]. Die Verbesserungsangaben der Anbieter sind Kundenbeispiele, prüfen Sie sie daher am eigenen Altbestand.

Varianten

• Verbraucherkredit (Banken, Konsumfinanzierer, Autofinanzierung und Leasing): Antragsscore bei Vergabe, Verhaltensscore für bestehende Konten und PD für Risikovorsorge (IFRS 9) und Eigenkapital (IRB). Hochrisiko nach Anhang III, Regeln der CCD2 zur Kreditwürdigkeitsprüfung.
• BNPL / Checkout-Finanzierung und Telekommunikations- oder Versorgerverträge: Entscheidungen in Millisekunden über kleine Beträge, mit Auskunfteidaten sowie Geräte-, Warenkorb- und Bestellhistorie. Betrug ist ein eigenes Modell (ANOM-001). Beachten Sie, dass der Fall C-203/22 einen Mobilfunkvertrag über 10 € im Monat betraf [3].
• KMU- und Firmenkredit: Ratings aus Jahresabschlüssen (DOC-012), Kontoauszügen (DOC-017), Register- und Zahlungserfahrungsdaten. Für juristische Personen nicht Hochrisiko nach der KI-Verordnung, aber Einzelunternehmer und Bürgen sind natürliche Personen.
• B2B-Lieferantenkredit bei Mittelstandslieferanten: Festlegen von Zahlungszielen und Kreditlimits für Kunden anhand von Wirtschaftsauskünften von Creditreform, D&B oder CRIF sowie der eigenen Zahlungshistorie. Zahlungsverzug und Inkasso nach der Rechnung gehören zu PRED-021.
• Öffentlicher Sektor und Förderbanken: Förderkredite und Bürgschaftsprogramme nutzen dieselben Ratingmethoden, unter denselben Regeln der KI-Verordnung und der DSGVO.
• Private Nutzung: Verbraucher prüfen ihre eigenen Auskunfteidaten und ihren Score (kostenlose Datenkopie nach Art. 15 DSGVO, SCHUFA-Selbstauskunft) und korrigieren Fehler, bevor sie eine Immobilienfinanzierung oder eine Mietwohnung beantragen.

So funktioniert es

1. Antrag / Kontoereignis
2. Datenerhebung (Antragsformular, Auskunfteiabfrage, PSD2-Kontodaten mit Einwilligung, interne Historie)
3. Merkmalsbildung (WoE-Binning, Kennzahlen, Aggregate nach Umsatzkategorien, Cashflow-Volatilität)
4. PD-Modell (Scorekarte oder monotone Gradient-Boosting-Bäume)
5. Kalibrierung auf PD / Ratingklasse
6. Regelwerk (harte Regeln, Tragfähigkeitsprüfung, Limits, Ausschlüsse, Betrugs-/KYC-Ergebnisse)
7. Entscheidung: annehmen | an Sachbearbeitung abgeben (Mensch-in-der-Schleife) | ablehnen + Preis/Limit
8. Begründungscodes + Erläuterungsschreiben (Vorlage oder per LLM entworfen, Text von Menschen freigegeben)
9. Überwachung (Gini/AUC, Kalibrierung, PSI-Drift, Annahmequote, Fairness nach Gruppen)
10. regelmäßige Neuentwicklung

• Modellkern: binäre Klassifikation von „Ausfall innerhalb des Horizonts" (z. B. mehr als 90 Tage überfällig innerhalb von 12 Monaten) auf tabellarischen Daten. Scorekarten auf Basis logistischer Regression bleiben die aufsichtsrechtliche Referenz. Gradient-Boosting-Bäume (LightGBM, XGBoost, CatBoost) mit monotonen Nebenbedingungen trennen meist besser und bleiben erklärbar. Tabellarische Foundation-Modelle (TabPFN, TabICL) helfen am meisten, wenn die Datenmenge klein ist.
• Open-Banking-Merkmale: Zuerst werden die Umsätze kategorisiert (LANG-033). Daraus entstehen Einkommensstabilität, Miete, bestehende Schuldendienste, Glücksspiel- oder Rücklastschrift-Kennzeichen und Kontostandsverläufe. Das sind Zeitreihen- und Sequenzmerkmale.
• Reject Inference & Verzerrung: Ein Modell sieht nur die Ergebnisse von Antragstellern, die angenommen wurden. Nutzen Sie Reject-Inference-Verfahren und Herausforderer-Tests, damit das Modell nicht bloß die alte Vergaberichtlinie kopiert.
• Rolle des LLM: nicht der Scorer. LLMs entwerfen Erläuterungsschreiben und Zusammenfassungen für die Sachbearbeitung, abgeglichen mit den tatsächlichen Begründungscodes. Anbieter ergänzen außerdem Agenten für das Onboarding und die Unterstützung der Sachbearbeitung [9][10]. Kreditvermerk-Agenten für das Firmenkundengeschäft sind AGENT-028.
• Mensch-in-der-Schleife (Human-in-the-Loop): Sachbearbeiter prüfen Grenzfälle und Abweichungen. Jeder Antragsteller kann eine menschliche Überprüfung einer automatisierten Entscheidung verlangen (Art. 22 Abs. 3 DSGVO, CCD2) [2][5].

Datenaufbereitung

Welche Daten: Antragsdaten, Rückzahlungs- und Rückstandshistorie, Inkassoergebnisse, Auskunfteiscores und bei Unternehmen Jahresabschlüsse und Zahlungserfahrungen. Optionale PSD2-Umsatzdaten erfordern eine ausdrückliche Einwilligung.

Wo sie im KMU liegen: ERP oder Buchhaltung (offene Posten, Mahnwesen), CRM, Auftragssystem, eingescannte Verträge und Jahresabschlüsse in einem DMS oder auf dem Dateiserver sowie Auskunfteiberichte als PDF in E-Mails.

Typische Lücken: Kunden doppelt in mehreren Systemen, keine einheitliche Definition von „Ausfall", Papier- oder Scan-Abschlüsse ohne Struktur, zu wenige Ausfälle für ein stabiles Modell, fehlende Ergebnislabels und unklare Rechtsgrundlage für die Weiterverwendung der Daten.

Schritte: 1. Kunden-, Rechnungs- und Zahlungsdaten aus ERP/CRM extrahieren (PREP-005) und Dubletten zusammenführen. 2. „Ausfall" definieren (zum Beispiel 90 Tage überfällig oder Abschreibung) und die Labels aus Mahn- und Inkassodaten gewinnen (PREP-020). 3. Jahresabschlüsse mit OCR digitalisieren (PREP-006, DOC-014). 4. Trainingsauszüge pseudonymisieren (PREP-022) und Zweck sowie Rechtsgrundlage prüfen (PREP-025). 5. Einen zeitbasierten Testdatensatz zurückhalten (PREP-018).

Aufwandsanteil: Rund 50–60 Prozent des Projekts sind Datenarbeit. KMU, die Auskunfteiscores zukaufen, brauchen nur die Schritte 1 und 2. Eine Bereitschaftsprüfung finden Sie in GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Scores und Plattformen der Auskunfteien (Creditreform, CRIF, SCHUFA B2B, Boniversum) sind ausgereift, in der EU gehostet und werden pro Abfrage abgerechnet; Bonitätsprüfungen im Lieferantenkredit sind ein Standardprozess.
• Großunternehmen (C): Für Kreditgeber ist der Score das Kerngeschäft; die Daten sind hochsensibel, und die Mengen machen Gebühren pro Abfrage teuer, daher lohnt sich ein selbst betriebenes Gradient-Boosting-Modell auf der eigenen Historie.
• Entwickler (C): Open-Source-ML für Tabellendaten (scikit-learn, LightGBM, Scorecard-Werkzeuge) läuft auf HW1 und gibt volle Kontrolle über Validierung und Erklärbarkeit.
• Privat (A): Verbraucher nutzen die Selbstauskunfts-Scores und Bonitätsüberwachungen der Auskunfteien; es gibt nichts zu entwickeln.
• Öffentlicher Sektor (C): Das Scoring kommunaler und versorgungsbezogener Forderungen betrifft Bürgerdaten und Vergaberecht und spricht für einen selbst betriebenen oder souveränen Cloud-Betrieb.

Weg A — Kaufen (empfohlen für KMU und die meisten kleineren Kreditgeber)

• Scores und Berichte von Auskunfteien: SCHUFA (DE), CRIF (IT/DE), Creditreform (DE) [11], Boniversum (DE), infoscore/Experian, Dun & Bradstreet. Für einen Händler, der auf Rechnung verkauft, reicht das zusammen mit der eigenen Zahlungshistorie meist aus.
• Entscheidungsplattformen mit Modellbetrieb: Taktile (in Berlin gegründet, Regeln + ML + Agenten, von Banken und Versicherern genutzt [9]), Provenir [10], Experian PowerCurve, FICO Platform, SAS Viya, Zest AI (USA). In Deutschland bringen Kernbanken- und Kreditvergabe-Suiten eigene Scoring-Module mit.
• Anbieter von Open-Banking-Daten: finAPI (München; digitaler Kontocheck, KreditCheck, Risikoanalyse-API [12]), Tink (Visa), GoCardless Bank Account Data.
• Wählen Sie A, wenn: Sie keine mehrjährigen Rückzahlungsdaten mit Ergebnislabels haben oder aufsichtsrechtliche Dokumentation, Überwachung und Prüfpfade vom Anbieter wollen. Fragen Sie nach EU-Hosting, Modelldokumentation für Anhang IV der KI-Verordnung, Ausgabe von Begründungscodes und einem AVV.

Weg B — Auf Cloud-KI-Diensten aufbauen / verwaltetes ML

• Verwaltete ML-Plattformen in EU-Regionen: Azure Machine Learning (Germany West Central), Vertex AI (europe-west3), SageMaker (eu-central-1), Databricks. Deutsche souveräne Optionen: STACKIT und Open Telekom Cloud, mit eigenen Containern. AutoML liefert Basismodelle. Für die Produktion trainieren Sie explizite, versionierte GBM- oder Scorekarten-Modelle.
• Gehostete tabellarische Foundation-Modelle: Die TabPFN-API von Prior Labs (deutsch, Freiburg) verarbeitet kleine bis mittelgroße Datensätze. TabPFN-3.5 (Sep. 2026) unterstützt bis zu 1 Mio. Zeilen und 20.000 Merkmale. Der Produktivbetrieb erfordert die API oder eine kommerzielle Lizenz [7].
• LLM-APIs für die Erklärschicht: Mistral (EU), Azure OpenAI oder Claude/Gemini in EU-Regionen. Sie entwerfen Schreiben und Zusammenfassungen für die Sachbearbeitung aus strukturierten Begründungscodes, ohne Rohdaten der Auskunftei im Prompt.
• Integration: Auskunftei-APIs, PSD2-Kontoinformationsdienst, Kreditvergabesystem und eine Entscheidungs-Engine (Taktile oder ein eigener Regeldienst) als Ort, an dem Richtlinien versioniert werden.

Weg C — Selbst betreiben (Open Source)

• Modellierung: scikit-learn, LightGBM / XGBoost / CatBoost mit monotonen Nebenbedingungen. OptBinning für WoE-Binning und Scorekarten (Apache-2.0) [8]. InterpretML EBM für Glass-Box-Modelle. TabICL als offenes tabellarisches In-Context-Modell.
• Erklärbarkeit & Fairness: SHAP für Begründungscodes, Fairlearn für Gruppenmetriken [13], DiCE oder OptBinning-Kontrafaktische für „was würde das Ergebnis ändern".
• MLOps: MLflow (Registry, Herkunftsnachweis), Feast (Feature Store), Evidently oder NannyML (Drift- und Leistungsüberwachung), bereitgestellt über FastAPI oder BentoML. Regeln in einer DMN-Engine (Camunda, Drools) oder OpenL Tablets.
• Erklär-LLM (optional): Mistral Small oder Qwen3 8B–32B über vLLM auf HW2.
• Hardware: HW1. GBM-Training auf Millionen Zeilen läuft auf einem CPU-Server, und das Scoring dauert Millisekunden pro Anfrage. Der Betriebsaufwand entsteht durch das Modellrisikomanagement, nicht durch Rechenleistung.

Weg D — Eigenes Training

Das ist der Normalfall für Banken mit eigenem Portfolio. Sie entwickeln eigene PD-/LGD-/EAD-Modelle auf mehreren Jahren Performance-Daten, mit genügend Ausfällen je Segment, Kalibrierung über den gesamten Konjunkturzyklus und unabhängiger Validierung. Das Feintuning tabellarischer Foundation-Modelle auf dem eigenen Portfolio ist neu und erfordert für TabPFN-2.5 und später eine kommerzielle Lizenz [6][7]. LLMs auf Kreditdaten zu trainieren lohnt sich selten, und ihr Scoring lässt sich nicht leicht erklären.

Stand der Technik (2026)

• Bewährte Praxis: monoton beschränktes Gradient Boosting oder EBMs, auf PD kalibriert, mit SHAP-basierten Begründungscodes. Setzen Sie eine Scorekarte als Herausforderer für den aufsichtsrechtlichen Vergleich und die Interpretation ein.
• Tabellarische Foundation-Modelle: Prior Labs ging von TabPFNv2 (10.000 Zeilen) über TabPFN-2.5 (Nov. 2025, 100.000 Zeilen) und TabPFN-3 (Mai 2026) zu TabPFN-3.5 (Sep. 2026, bis zu 1 Mio. Zeilen) [6][7]. Sie sind stark bei kleinen Portfolios und neuen Produkten. Bei großen, ausgereiften Portfolios sind gut abgestimmte GBMs weiterhin schwer zu schlagen. Die Gewichte stehen unter nichtkommerziellen Lizenzen [7].
• Cashflow-basierte Kreditprüfung: PSD2-Kontodaten sind inzwischen Standard bei Krediten an Kunden mit dünner Datenhistorie und an KMU. FIDA (Zugang zu Finanzdaten) wird auf EU-Ebene noch verhandelt, planen Sie also noch nicht damit.
• Grenzen: Veränderung der Population (Rezessionen, Zinsschocks), Auswahlverzerrung durch frühere Vergaberichtlinien, Proxy-Diskriminierung (Postleitzahl, Name, Sprache und Gerätemerkmale) und wenige Ausfälle in Portfolios mit niedriger Ausfallquote. Ein Modell kann außerdem nichts über Ereignisse nach dem Datenstichtag wissen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Tabellen-Stack (tabular-ml, HW1, MLflow/Feature Store): PRED-010 Versicherungs-Underwriting, PRED-015 AVM, PRED-021 Inkasso, PRED-005 Lead-Scoring, PRED-003 Kundenabwanderung. Eine MLOps- und Überwachungsplattform bedient alle diese Anwendungsfälle.
• Vorgelagerte Daten: DOC-017 Analyse von Kontoauszügen und Gehaltsabrechnungen, DOC-012 Aufbereitung von Jahresabschlüssen, LANG-033 Kategorisierung von Umsätzen (speist die Cashflow-Merkmale), AGENT-015 KYC-Onboarding.
• Nachgelagert und angrenzend: AGENT-028 Kreditvermerk-Agent (nutzt die PD als Eingabe), PRED-021 Inkasso nach der Vergabe, PRED-016 Liquidität, ANOM-001 / ANOM-017 Betrug und Dokumentenfälschung (die KI-Verordnung nimmt Betrugserkennung von Anhang III 5(b) aus [1]), ANOM-011 Lieferantenrisiko.
• Governance: SEC-022 KI-Inventar und Dokumentation nach der KI-Verordnung. DATA-005 synthetische Daten für Entwicklung und Tests außerhalb der Produktion.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für Schwellenwerte auf Basis von Auskunfteiscores. 2–4 Monate, um eine Entscheidungsplattform mit eigenem Modell einzuführen. Die Kosten fallen pro Auskunftei-Abfrage, pro Entscheidung oder als Plattformlizenz an.
• Weg B/C: 4–9 Monate für das erste Produktivmodell, einschließlich Data Mart, Validierung, Dokumentation und Integration der Entscheidungs-Engine.
• Weg D (Bank): 6–12+ Monate je Modellfamilie, plus jährliche Validierung. IRB-Modelle benötigen zusätzlich die Genehmigung der Aufsicht.
• Kennzahlen: Gini/AUC und KS auf einer zeitlich getrennten Stichprobe, Kalibrierung (vorhergesagte vs. beobachtete Ausfallrate je Klasse), Annahmequote bei konstanter Ausfallquote, Verlustquote und Vintage-Kurven, PSI-Stabilität, Anteil manueller Abgaben, Zeit bis zur Entscheidung, Abweichungsquote, Fairnesslücken nach geschützten Gruppen sowie Beschwerden und Anträge auf Überprüfung nach Art. 22.

Menschen & Veränderung

Früh einbeziehen: die Geschäftsführung (Risikoappetit, Budget), die Leitung Kredit- oder Forderungsmanagement als Prozessverantwortliche, IT und IT-Sicherheit (Schnittstellen, Auskunfteidaten), die/den Datenschutzbeauftragte(n) und Recht/Compliance (Art. 22 DSGVO, SCHUFA-Rechtsprechung, Verbraucherkreditrecht) sowie die Datenverantwortlichen im Finanzbereich. Beziehen Sie das Personalwesen nur ein, wenn Scores für Beschäftigte berechnet werden, was dieser Anwendungsfall nicht tut.

Betriebsrat: in der Regel nein. Das System bewertet Kunden, nicht Beschäftigte, daher löst das Scoring selbst § 87 Abs. 1 Nr. 6 BetrVG nicht aus. Relevant wird es, wenn das Werkzeug protokolliert, welche Sachbearbeiter Entscheidungen übersteuern oder freigeben, und dies die individuelle Leistung misst; dann beziehen Sie den Betriebsrat ein und unterrichten ihn nach § 90 Abs. 1 Nr. 3 über KI-gestützte Arbeitsprozesse.

Datenschutz: Eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) ist bei systematischer Bewertung von Personen sehr wahrscheinlich nötig; schließen Sie mit jedem Scoring-Anbieter einen AVV (Art. 28). Siehe GUIDE-005.

KI-Kompetenz: Die KI-Verordnung (Art. 4) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; schulen Sie Sachbearbeiter darin, Begründungscodes zu lesen und zu erkennen, wann sie übersteuern sollten (GUIDE-006).

Kommunikation und Pilot: Beginnen Sie mit einer Produktlinie oder einem Kundensegment im Schattenbetrieb und vergleichen Sie den Score mit menschlichen Entscheidungen (GUIDE-009).

Bedenken: Die Sorge vor ungerechten Ablehnungen begegnen Sie mit Begründungscodes, Fairness-Überwachung und einer menschlichen Überprüfung bei jeder Ablehnung oder Abgabe. Die Menschen behalten die Kontrolle über die endgültigen Entscheidungen (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Hochrisiko nach Anhang III Nummer 5(b) für die Bewertung der Kreditwürdigkeit oder die Kreditpunktebewertung natürlicher Personen. Betrugserkennung ist ausgenommen [1]. Zu den Anforderungen zählen Risikomanagement, Daten-Governance, technische Dokumentation, Protokollierung, menschliche Aufsicht und Genauigkeit. Betreiber, die öffentlich-rechtliche Einrichtungen sind oder öffentliche Dienste erbringen, sowie Betreiber von Systemen nach 5(b) müssen eine Grundrechte-Folgenabschätzung durchführen (Art. 27). Nach dem Digital Omnibus gelten laut Zeitplan der Kommission die Vorschriften für Anhang III ab dem 2. Dezember 2027 [4]. Das Scoring ausschließlich juristischer Personen fällt nicht unter Anhang III, aber die EBA-Leitlinien gelten weiterhin. Die Preisbildung in der Lebens- und Krankenversicherung fällt unter 5(c), siehe PRED-010. Social Scoring über nicht zusammenhängende Kontexte hinweg ist nach Art. 5 Abs. 1 Buchst. c verboten. Nutzen Sie weder Social-Media-Verhalten noch ähnliche, sachfremde Daten.
• DSGVO: Der EuGH (C-634/21, 7. Dez. 2023) hat entschieden, dass die Erstellung eines Scores eine automatisierte Entscheidung nach Art. 22 ist, wenn der Kreditgeber ihm eine maßgebliche Rolle zuweist [2]. In C-203/22 (27. Feb. 2025) hat er entschieden, dass Antragsteller eine für sie verständliche Erklärung des tatsächlich angewandten Verfahrens und der Grundsätze erhalten müssen. Es kann angemessen sein zu zeigen, wie andere Daten das Ergebnis verändert hätten. Die Herausgabe des Algorithmus genügt nicht, und Geschäftsgeheimnisse werden der Behörde oder dem Gericht zur Abwägung vorgelegt [3]. Sorgen Sie für ein menschliches Eingreifen, die Möglichkeit zur Darlegung des eigenen Standpunkts und zur Anfechtung (Art. 22 Abs. 3) [5]. In Deutschland gilt zusätzlich § 31 BDSG zum Scoring.
• Verbraucherkreditrichtlinie (EU) 2023/2225 (CCD2): gilt ab dem 20. Nov. 2026. Sie verlangt eine Kreditwürdigkeitsprüfung auf Grundlage relevanter, zutreffender Einkommens- und Ausgabendaten. Sie verbietet die Nutzung besonderer Datenkategorien und von Daten aus sozialen Netzwerken. Bei automatisierter Verarbeitung hat der Verbraucher Rechte auf menschliche Überprüfung, auf Erklärung und auf Anfechtung der Entscheidung. Prüfen Sie die nationale Umsetzung [14].
• Bankenaufsicht: Die EBA-Leitlinien EBA/GL/2020/06 zur Kreditvergabe (seit 30. Juni 2021) verlangen das Verständnis automatisierter Modelle, Verzerrungsvermeidung, Datenqualität, Nachvollziehbarkeit, Backtesting, Übersteuerungen und Dokumentation [15]. Hinzu kommen MaRisk (DE), CRR für IRB-Modelle, IFRS 9 und DORA für ausgelagerte IKT und Entscheidungsplattformen.
• Gegenmaßnahmen: Positivliste zulässiger Merkmale (keine geschützten Merkmale oder enge Proxys), Fairness-Tests, unabhängige Validierung, protokollierte Entscheidungen mit Modellversion, schnelle menschliche Überprüfung.

Erste Schritte

1. Definieren Sie das Ziel präzise (Ausfalldefinition, Horizont, Segment) und bauen Sie einen Data Mart mit Ergebnislabels aus mindestens 2–3 Jahren an Entscheidungen auf, einschließlich abgelehnter Anträge.
2. Beginnen Sie mit einer Richtlinie auf Basis von Auskunfteiscores oder einer Anbieterplattform (Weg A). Messen Sie die Ausgangswerte für Annahmequote, Ausfallquote und Zeit bis zur Entscheidung.
3. Entwickeln Sie einen Herausforderer: eine OptBinning-Scorekarte plus ein monotones LightGBM und, bei kleiner Datenmenge, ein TabPFN-Modell. Validieren Sie zeitlich getrennt, mit Berichten zu Kalibrierung und Fairness.
4. Schreiben Sie die Dokumentation nach KI-Verordnung und DSGVO von Anfang an: Zweckbestimmung, Datenblatt, Erklärungsvorlagen, Prozess der menschlichen Überprüfung, Protokollierung.
5. Gehen Sie im Schattenbetrieb live, dann mit einer Champion/Challenger-Aufteilung. Überwachen Sie PSI, Kalibrierung und Übersteuerungen monatlich.

Quellen

1. EU AI Act, Annex III (point 5(b) creditworthiness, 5(c) life/health insurance) — https://artificialintelligenceact.eu/annex/3/
2. CJEU press release 186/23, C-634/21 SCHUFA Holding (Scoring), 7 Dec 2023 — https://curia.europa.eu/jcms/upload/docs/application/pdf/2023-12/cp230186en.pdf
3. CJEU press release 22/25, C-203/22 Dun & Bradstreet Austria, 27 Feb 2025 — https://curia.europa.eu/jcms/upload/docs/application/pdf/2025-02/cp250022en.pdf
4. European Commission AI Act Service Desk — implementation timeline (Annex III from 2 Dec 2027) — https://ai-act-service-desk.ec.europa.eu/en/ai-act/timeline/timeline-implementation-eu-ai-act
5. GDPR Art. 22 — https://gdpr-info.eu/art-22-gdpr/
6. Prior Labs — TabPFN repository — https://github.com/PriorLabs/TabPFN
7. Prior Labs — TabPFN models, limits and licences — https://docs.priorlabs.ai/models
8. OptBinning (optimal binning & scorecards) — https://github.com/guillermo-navas-palencia/optbinning
9. Taktile decisioning platform — https://taktile.com/
10. Provenir — AI decisioning platform — https://www.provenir.com/
11. Creditreform — Bonität & Risikobewertung — https://www.creditreform.de/
12. finAPI — account-data based credit checks — https://www.finapi.io/en/
13. Fairlearn — https://fairlearn.org/
14. Directive (EU) 2023/2225 on credit agreements for consumers (CCD2) — https://eur-lex.europa.eu/eli/dir/2023/2225/oj
15. EBA Guidelines on loan origination and monitoring (EBA/GL/2020/06), Final report — https://www.eba.europa.eu/sites/default/files/document_library/Publications/Guidelines/2020/Guidelines%20on%20loan%20origination%20and%20monitoring/884283/EBA%20GL%202020%2006%20Final%20Report%20on%20GL%20on%20loan%20origination%20and%20monitoring.pdf