Einleitung
David Keller bewahrt noch einen alten Kreditordner auf, grau, mit ausgeleierten Metallklammern. Darin stecken keine Kundendaten mehr, nur leere Musterblätter. Er zeigt sie gern jungen Produktteams: Früher musste jemand eine Ablehnung wenigstens so begründen, dass ein zweiter Mensch sie prüfen konnte.
David lebt in Zürich und prüft heute KI-Systeme im Finanzbereich. Nach Jahrzehnten in Kreditabteilungen interessiert ihn weniger, wie schnell ein Modell entscheidet. Er fragt, ob eine Entscheidung erklärbar bleibt, wenn jemand widerspricht.
Geschichte des Weges in die KI
Nach der Pensionierung las David von automatisierten Kreditprüfungen und spürte zuerst Abwehr. Dann merkte er, dass Nostalgie nicht hilft. Viele alte Prozesse waren langsam, nicht automatisch fair. Also begann er zu lernen: Modellrisiko, Erklärbarkeit, Trainingsdaten, Grenzfälle.
Schwer fiel ihm, seine Erfahrung in eine Sprache zu übersetzen, die Entwicklerinnen akzeptieren. „Das fühlt sich falsch an“ reicht nicht, wenn ein Modell in Produktion gehen soll. Sein erstes Projekt war eine Checkliste, die automatische Kreditbewertungen mit menschlich dokumentierten Gründen verbindet. Bei den frühen Tests verwechselte ein System fehlende Historie mit fehlender Verlässlichkeit. David kannte solche Fälle: junge Selbstständige, neu Zugezogene, Menschen nach Familienpausen. Aus diesem Einwand entstand ein zusätzlicher Prüfschritt für Grenzfälle.
Aktuelle Arbeit
Heute arbeitet David mit Verbraucherprojekten und kleineren Finanzdienstleistern. In einem Pilotfall markierte ein Modell eine Gründerin als riskant, weil ihr Einkommen schwankte. Die Unterlagen zeigten jedoch stabile Aufträge und saisonale Zahlungseingänge. David drängte darauf, neben Score und Ampel die wichtigsten Annahmen sichtbar daneben zu legen.
Der Effekt ist nicht laut. Beschwerden lassen sich besser bearbeiten, interne Teams dokumentieren nachvollziehbarer, und manche automatische Ablehnung wird zur manuellen Prüfung zurückgeschickt. David bleibt vorsichtig: Transparenz ist kein Trostpreis. Wenn eine Erklärung nur technische Floskeln liefert, ist sie für Betroffene wertlos.
Persönlicher Rat
„Eine schnelle Ablehnung spart nur dann Zeit, wenn sie später nicht Vertrauen zerstört“, sagt David. Wer Finanz-KI baut, sollte den Beschwerdeweg vor dem Dashboard entwerfen. Dort zeigt sich, ob Verantwortung ernst gemeint ist.
Schlüsselfakten
Alter und Ort: 70, Zürich.
Hintergrund: Ruhestand, jahrzehntelange Bankpraxis, Verbraucherschutz.
Einstieg in KI: Checkliste für erklärbare automatische Kreditbewertungen.
Schwerpunkt heute: Transparenz und Modellrisiko in Finanzprozessen.
Typische Werkzeuge: Erklärbarkeitsmethoden, Kreditnotizen, Modellrisiko-Prüfung.
Werkstattnotiz
David markiert in Testberichten Wörter wie „stabil“, „unauffällig“ und „abweichend“. Sie klingen sachlich, tragen aber oft alte Normen mit. Ein Score erklärte einmal eine Elternzeit als Lücke ohne Kontext. Seitdem fragt David bei jedem Modell, welche Lebensläufe es für normal hält.