Machine Learning im Kredit-Scoring: Governance und Validierung
ML-Scoring im Retail Banking: Daten, Erklärbarkeit, Bias, Drift, DSGVO, EU AI Act, menschliche Kontrolle und Modellvalidierung.
In diesem Artikel
Kurzantwort
Machine-Learning-Modelle können nichtlineare Muster erkennen, erhöhen aber Anforderungen an Datenqualität, Erklärbarkeit, Fairness, Driftüberwachung und Governance. Nach dem EU AI Act zählen KI-Systeme zur Bewertung der Kreditwürdigkeit natürlicher Personen grundsätzlich zu Hochrisiko-Anwendungen, soweit keine Ausnahme greift. DSGVO und Kreditwürdigkeitsrecht gelten zusätzlich.
Mehr Prognoseleistung ist nicht genug
Gradient Boosting, neuronale Netze oder andere ML-Verfahren können Interaktionen erfassen. Ein produktives Modell muss zugleich kalibriert, stabil, nachvollziehbar und kontrollierbar sein. Eine geringe Fehlerrate im Training beweist keine verlässliche Kreditentscheidung.
Datenrisiken
Historische Entscheidungen können Auswahlverzerrung enthalten: Rückzahlung ist nur für tatsächlich vergebene Kredite beobachtbar. Proxy-Variablen können Diskriminierung fortschreiben. Datenherkunft, Stichtag, Zweck und Repräsentativität müssen dokumentiert werden.
EU AI Act und DSGVO
Verordnung (EU) 2024/1689 führt Kreditwürdigkeits- und Credit-Score-Systeme natürlicher Personen in Anhang III als Hochrisiko-Anwendungsfall. Risikomanagement, Daten-Governance, Dokumentation, Transparenz, menschliche Aufsicht und Genauigkeit sind zentrale Pflichten. Artikel 22 DSGVO begrenzt ausschließlich automatisierte Entscheidungen mit erheblicher Wirkung.
Laufende Kontrolle
Überwachen Sie Kalibrierung, Teilgruppen, Daten- und Konzeptdrift, Overrides, Ablehnungsgründe und Beschwerden. Modelländerungen benötigen Tests, Genehmigung, Rückfallplan und reproduzierbare Versionen.
Häufige Fragen
Sind KI-Kreditmodelle verboten?
Nein. Viele gelten jedoch als Hochrisiko-KI und müssen strenge Anforderungen erfüllen. Datenschutz- und Verbraucherkreditregeln gelten parallel.
Was bedeutet Erklärbarkeit?
Betroffene und Kontrolleure müssen relevante Gründe, Bedeutung und Folgen nachvollziehen können. Eine bloße globale Merkmalsrangliste genügt nicht immer.
Wie wird Bias geprüft?
Durch Datenanalyse, Teilgruppenmetriken, Proxy-Prüfung, Schwellen- und Outcome-Tests sowie laufende Beschwerde- und Driftüberwachung.
Offizielle Quellen und Rechtsgrundlagen
Zuletzt fachlich geprüft am 25.09.2026.