Wie ein Credit Servicer 130 Millionen Seiten las, ohne Personal aufzustocken

Ein führender europäischer Credit Servicer verwaltet Portfolios besicherter notleidender Kredite, die von Banken erworben wurden. Jedes Portfolio kommt als Papierwand an: Hypothekenverträge und -eintragungen, Garantien, Verkaufsanordnungen, gerichtlich bestellte Gutachten, Grundbücher, Belastungsauskünfte. Due Diligence und Verwertungsstrategie hängen davon ab, all das zu lesen, und das Archiv war auf 130 Millionen Seiten angewachsen. Personal einzustellen, um es zu lesen, war keine Option.

Der Ausgangspunkt

Analysten verbrachten den Großteil ihrer Zeit damit, Dokumente zu suchen und Werte abzutippen. Jeder Fall erforderte rund 330 Datenpunkte: Identitäten von Gläubiger und Schuldner, Bürgen, die vollständige Katasterbeschreibung jeder Immobilie (Blatt, Parzelle, Untereinheit, Katasterertrag), Gutachtenwerte, Belastungen und deren Rang. Die Daten existierten auf Papier, aber in keinem System, das ein Analyst abfragen konnte. Verwertungsstrategien wurden auf Basis unvollständiger Informationen entschieden, weil vollständige Informationen zu lange zum Zusammenstellen brauchten.

Was die Agenten taten

Altilia stellte einen Datenerfassungsagenten auf der privaten Infrastruktur des Servicers bereit. Seine Arbeit erfolgt in vier Schritten.

1. Klassifizierung. Jede Seite im Archiv wird einem Dokumenttyp zugeordnet, von der Hypothekenurkunde bis zum Gerichtsgutachten, mit Modellen, die auf den eigenen Akten des Servicers abgestimmt sind.
2. Extraktion. Entitäten und Objekte, nicht nur Felder: Eine Immobilie wird mit ihrem vollständigen Katastertripel extrahiert und mit dem Gutachten, der Belastung und dem Kreditnehmer verknüpft, zu dem sie gehört.
3. Abgleich. In verschiedenen Dokumenten gefundene Werte werden verglichen; Konflikte werden mit Konfidenzwert und Quellenhierarchie sichtbar gemacht, sodass ein Analyst die Abweichung sieht statt eines stillschweigend gewählten Werts.
4. Suche. Das gesamte Archiv wird zu einer semantischen Suchmaschine, die Analysten in natürlicher Sprache, mit regulären Ausdrücken oder mit Stichwörtern abfragen und die die Seite als Beleg zurückgibt.

Das Audit

Vor dem Go-live prüfte der Servicer eine Stichprobe von 10.000 Dokumenten gegen manuell verifizierte Werte. Die Genauigkeit erreichte 98,3 %. Ebenso wichtig: Die Fehler waren sichtbar. Jeder Wert mit niedriger Konfidenz war bereits zur Prüfung markiert, sodass das Audit bestätigte, dass die Prüfwarteschlange auffing, was die Modelle übersehen hatten.

Was sich für die Analysten änderte

Die Arbeit verlagerte sich vom Suchen und Tippen zum Entscheiden. Ein Analyst öffnet einen Fall und findet die 330 Datenpunkte befüllt, jeder mit einem Link zu seiner Seite. Die Zeitersparnis wurde mit der eigenen Business-Case-Methodik des Servicers gemessen: manueller Aufwand um rund 80 % gesunken, Fallvorbereitung zehnmal schneller. Verwertungsstrategien werden nun auf vollständiger Information entschieden, und die semantische Suchmaschine beantwortet Fragen, die vorher niemand stellen konnte, etwa welche Immobilien in einer Region denselben Gutachter haben oder welche Belastungen in einem Portfolio vor denen des Servicers rangieren.

„Ihre KI-Agenten arbeiten mit unseren eigenen Daten in einer privaten Infrastruktur und liefern eine Genauigkeit und Kontrolle, die keine generische KI-Lösung erreichen könnte.“

Lehren für das nächste Portfolio

• Objekte extrahieren, nicht Felder. Ein Katastertripel, das nicht mit seiner Immobilie und seinem Gutachten verknüpft ist, ist eine Zahl, kein Wissen.
• Abweichungen sichtbar machen. Der Abgleich über Dokumente hinweg ist der Ort, an dem der Wert und das Risiko liegen.
• Prüfen, bevor man skaliert. Eine Stichprobe von 10.000 Dokumenten verwandelte ein Versprechen in eine Zahl, mit der das Geschäft planen konnte.
• Im Haus behalten. Der Betrieb auf der Infrastruktur des Servicers beseitigte die Frage der Datenübertragung vollständig.