Frema Labs

Nach Branche

Nach Technologie

Nach Unternehmens­grösse

Beginnen Sie bei Ihrer Branche, bei der Technologie, die Sie prüfen, oder bei der Grösse Ihres Unternehmens.Alle Lösungen
Sprechen wir

Lösungen / Banken und Finanzen

KI für Schweizer Banken unter FINMA-Aufsicht

Modelle, die in der Schweiz unter Ihrer Kontrolle laufen und ein Protokoll führen, das Ihre Prüfer lesen können.

Ihren Fall beschreiben

Was wir bauen könnten

Diese Szenarien sind Beispiele. Keines beschreibt einen Kunden.

Compliance

Jeden Morgen lesen die Analysten erneut dieselben Treffer aus negativen Medienberichten, und die meisten betreffen jemanden mit ähnlichem Namen.

Was wir bauen würden

Ein Screening-Assistent, der die Treffer nach der Person gruppiert, die sie tatsächlich beschreiben, anhand der Geburtsdaten, Orte und Arbeitgeber, die in jedem Artikel genannt werden. Die Analysten prüfen eine Karte pro realer Person, mit hervorgehobenen übereinstimmenden Belegen, und jeder verworfene Treffer wird mit Begründung protokolliert.

Python, spaCy, Mistral, PostgreSQL

Kreditabteilung

Jedes KMU-Kreditdossier kommt als Stapel von PDFs an, und ein Analyst verbringt den ersten Tag damit, Zahlen ins Ratingtool abzutippen.

Was wir bauen würden

Eine Dokumentenpipeline, die Bilanzen und Steuerunterlagen liest, die Rating-Vorlage ausfüllt und bei jeder Zahl die Seite angibt, von der sie stammt. Der Analyst beginnt mit einem geprüften Entwurf und verwendet die Zeit für die eigentliche Kreditbeurteilung.

Docling, Qwen3-VL, Python, FastAPI

Kundenberatung

Vor einem Kundentermin wühlen sich Kundenberater durch Hausmeinungen, Produktblätter und Regeln zur Eignungsprüfung, verteilt über vier Intranets.

Was wir bauen würden

Ein Assistent, der die Fragen der Kundenberater aus dem Research und den Produktdokumenten der Bank beantwortet und dabei genau den Absatz zitiert, aus dem jede Antwort stammt. Er durchsucht nur Dokumente, die der Berater ohnehin öffnen darf, und läuft auf den Servern der Bank.

FAISS, vLLM, Llama, Keycloak

KYC-Operations

Periodische KYC-Überprüfungen stocken, weil die Dokumente in fünf Systemen liegen und einige unbemerkt abgelaufen sind.

Was wir bauen würden

Ein Agent, der das Kundendossier aus jedem System zusammenträgt, Ablaufdaten und fehlende Unterlagen prüft und die Zusammenfassung der Überprüfung mit Quellen entwirft. Der Analyst zeichnet das vollständige Dossier ab, und der Agent hat keine Berechtigung, Kunden zu kontaktieren oder etwas zu genehmigen.

LangGraph, Python, PostgreSQL, Avaloq API

Geldwäschereibekämpfung

Die Regeln der Transaktionsüberwachung lösen jede Woche Hunderte von Alarmen aus, und die Analysten schliessen fast alle als Fehlalarm ab.

Was wir bauen würden

Ein Scoring-Modell, das aus früheren Entscheiden der Analysten lernt, offene Alarme nach Risiko ordnet und die Transaktionen hinter jedem Score zeigt. Die heutigen Regeln bleiben in Kraft, das Modell legt die Reihenfolge fest, in der Menschen hinschauen, und seine Drift wird jeden Monat geprüft.

XGBoost, SHAP, MLflow, Airflow

Die Rahmen­bedingungen

Kundendaten bleiben in der Schweiz, und ein Modell, das Kredit- oder Compliance-Prozesse betrifft, muss jemandem aus der Modellvalidierung erklärbar sein, der es nicht gebaut hat. Von diesen zwei Regeln gehen wir aus und arbeiten uns zum Anwendungsfall vor. Bevor wir etwas versprechen, führen wir eine Machbarkeitsstudie mit Ihren eigenen Daten durch.

  1. Bankkundengeheimnis

    Kundenidentifizierende Daten fallen unter das Bankkundengeheimnis, und viele Banken halten sie aus ausländischen Clouds heraus. Die Modelle laufen deshalb auf Ihren eigenen Servern oder bei einem Schweizer Anbieter.

  2. Modellrisiko nach FINMA

    Gemäss FINMA-Aufsichtsmitteilung 08/2024 braucht ein Modell, das einen Kredit- oder Compliance-Entscheid stützt, eine verantwortliche Person, Tests und eine Dokumentation.

  3. Prüfpfad

    Jeder Vorschlag eines Systems wird mit seinen Eingaben protokolliert, zusammen mit der Person, die ihn angenommen oder abgelehnt hat.

  4. Bestehende Kernbankensysteme

    Die meisten Daten liegen in Kernbankenplattformen wie Avaloq, Finnova oder Temenos und in Dokumentenarchiven, die sich für dieses Projekt nicht ändern werden. Die Integration liest die Daten deshalb so, wie sie dort liegen.

Fragen, die wir oft hören

Ja. Open-Weight-Modelle laufen auf Ihren eigenen Servern oder bei einem Schweizer Hosting-Anbieter, sofern Ihre Outsourcing-Regeln das zulassen. Nichts geht an eine ausländische API, und die Hardware dimensionieren wir in der Machbarkeitsstudie.

Wir arbeiten nach der FINMA-Aufsichtsmitteilung 08/2024 zur KI-Governance und dokumentieren jedes Modell so, wie es Ihr Team für Modellrisiken erwartet: Zweck, Daten, Validierungsergebnisse, Grenzen und Überwachung. Die Dokumentation gehört zum Lieferumfang und entsteht parallel zum Code.

Nein. In jedem Szenario auf dieser Seite genehmigt eine Person das Ergebnis. Das System bereitet die Arbeit vor und hält fest, weshalb es den jeweiligen Vorschlag gemacht hat.

Oft eher als für eine grosse Bank, weil Entscheide schneller fallen. Unsere Seite für KMU, unten verlinkt, beschreibt, wie ein Projekt in dieser Grösse abläuft. Eine erste Studie umfasst meist einen Prozess über einige Wochen.

Verwandte Lösungen

Technologien

Branchen

Unternehmens­grösse

Welches Dossier geht Ihr Team jeden Morgen wieder durch?

Wir beginnen mit einer Machbarkeitsstudie auf Ihren eigenen Daten, damit Sie Ergebnisse sehen, bevor etwas versprochen wird.

Ihren Fall beschreibenUnsere Arbeitsweise