Der Markt für Maschinelles Lernen im Bankwesen ist, obwohl ein Software- und Dienstleistungsbereich, entscheidend von einer physischen und digitalen Lieferkette abhängig, die Halbleiterhardware, Cloud-Computing-Infrastruktur, Trainingsdaten und Open-Source-Software-Frameworks umfasst. Störungen oder Preisänderungen bei diesen vorgelagerten Komponenten wirken sich auf die Kostenstrukturen und Lieferzeiten von ML-Lösungen im Bankwesen aus.
Auf der Hardware-Ebene sind Grafikprozessoren (GPUs) und Tensorprozessoren (TPUs) die fundamentalen Rechensubstrate für das Training tiefer Lernmodelle. Die globale GPU-Lieferkette bleibt stark konzentriert, wobei ein einziger dominanter Hersteller den Großteil der Produktion von Hochleistungs-KI-Chips kontrolliert. Lieferengpässe in den Jahren 2021 und 2022 – verursacht durch pandemiebedingte Halbleiterknappheit und geopolitische Exportkontrollen – verlängerten die Bereitstellungszeiten für Cloud-Infrastrukturen für KI-Projekte im Bankwesen in diesem Zeitraum um schätzungsweise 6 bis 18 Monate. Obwohl sich die Versorgung teilweise normalisiert hat, schaffen anhaltende Exportkontrollbestimmungen zwischen den USA und China weiterhin Unsicherheit für Banken im APAC-Raum, die auf im Inland hergestellte KI-Beschleuniger angewiesen sind.
Cloud-Computing-Infrastruktur stellt den primären operativen Kosteninput für ML im Bankwesen dar. Große Cloud-Anbieter haben in ausgewählten Regionen Kapazitätsengpässe in Rechenzentren erlebt, was zu Preisvolatilität bei Spot-Instanzen führte. Der Markt für Prädiktive Analysen, der sich wesentlich mit ML im Bankwesen überschneidet, steht vor ähnlichen Infrastrukturkostendynamiken. Die Energiekosten für den Rechenzentrumsbetrieb sind in ganz Europa gestiegen, was die Cloud-Rechenkosten in dieser Region im Zeitraum 2022–2024 um etwa 15 bis 25 % erhöhte.
Trainingsdaten sind ein kritischer und oft unterschätzter Lieferketten-Input. Hochwertige, gelabelte Finanzdaten – einschließlich annotierter Betrugstransaktionsprotokolle, historischer Kreditakten und regulatorischer Meldedatensätze – stellen eine knappe und nicht-kommodifizierte Ressource dar. Die Kosten für Datenlizenzen von Kreditauskunfteien, Zahlungsnetzwerken und Drittanbietern alternativer Daten sind schätzungsweise jährlich um 10 bis 20 % gestiegen, was einen Margendruck für Anbieter erzeugt, die sich auf proprietäre Trainingsdaten als Wettbewerbsvorteil verlassen.
Open-Source-ML-Framework-Abhängigkeiten, einschließlich TensorFlow, PyTorch und scikit-learn, führen eine andere Kategorie von Lieferkettenrisiko ein: Governance- und Sicherheitslückenrisiken. Die Log4Shell-Schwachstelle von 2021 zeigte, wie vorgelagerte Open-Source-Komponenten systemische Risiken in ganzen Software-Lieferketten schaffen können, was Bankenaufsichtsbehörden dazu veranlasste, verbesserte Anforderungen an Software-Stücklisten für Finanz-KI-Anbieter zu erlassen.
Der breitere Markt für die Verarbeitung natürlicher Sprache, der in Chatbot- und Dokumentenverarbeitungsanwendungen im Bankwesen einfließt, hängt ebenfalls von großer Sprachmodell-Rechen- und Dateninfrastruktur ab, wodurch er denselben vorgelagerten Hardware- und Energiekostendynamiken unterliegt.
