Ant International verkauft FX-KI an Barclays, Citi, Deutsche Bank und Standard Chartered

Ant International gab am Donnerstag bekannt, dass Barclays, Citi, Deutsche Bank und Standard Chartered FalconTST 2.0, die zweite Generation ihres Zeitreihenmodells zur Vorhersage von Cashflows und Währungsrisiken bei grenzüberschreitenden Zahlungen, nutzen. Das Modell erzielte einen MASE von 0,666 im öffentlichen Benchmark für grundlegende Zeitreihenmodelle und liegt damit vor konkurrierenden Optionen, mit einer konstanten Vorhersagegenauigkeit von über 93%.

Laut Ant ermöglicht die Integration eine Reduzierung der Kosten für Hedging und FX-Allokation um mehr als 60% für Banken, die globale Treasury-Operationen durchführen. Dies ist eine aggressive Kennzahl und muss im Kontext des Anbieters verstanden werden: Ant verkauft das Modell, kalibriert den Benchmark intern und hat bisher keine unabhängigen Auditergebnisse zu diesen Gewinnen in der Produktion veröffentlicht.

Wie jede Bank das Modell nutzt

Barclays hat FalconTST in seine FX-Hedging-Plattform BARX NetFX integriert. Citi hat das Modell mit den eigenen Fixed FX Rates kombiniert, einem Produkt, das Firmenkunden mit Multi-Währungsrisiken garantierte Kurse anbietet. Standard Chartered hat das Modell in das SCALE FX integriert, als Teil der Teilnahme beider Banken an PathFin.ai, einem Programm der Monetary Authority of Singapore, das KI-Anwendungen im Finanzdienstleistungssektor testet. Deutsche Bank hat nicht öffentlich bekannt gegeben, welches interne System die Integration erhalten hat.

Die Ingenieurkunst dahinter ist eine Familie von Foundation Models für Zeitreihen, die Ant seit 2024 mit Daten von grenzüberschreitenden Zahlungen trainiert, die aus dem eigenen Betrieb stammen und Alipay+ sowie WorldFirst umfassen. FalconTST 2.0 ist daher ein vertikales Modell, das für das spezifische Problem trainiert wurde, das die Banken lösen müssen, und kein generisches LLM, das durch einen Prompt angepasst wurde.

Warum vier rivalisierende Banken dasselbe Modell verwenden

Die Wahl sagt zwei Dinge aus. Erstens ist die wirtschaftliche Rentabilität des Trainings eines spezialisierten Zeitreihenmodells heute für keine Bank isoliert tragfähig, zumal die Rendite von Datenmengen abhängt, die nur ein globaler Zahlungsdienstleister erfassen kann. Zweitens hat sich der Markt für Treasury-Technologie in den letzten achtzehn Monaten daran gewöhnt, KI zu kaufen, anstatt sie zu entwickeln, was auch bereits im Kapitalmarkt bei Plattformen wie Adenza und Numerix zu beobachten war.

Für den CIO einer Investmentbank ist das Vendor-Risiko der neue Punkt in der Gleichung. Ein Modell, das an Genauigkeit gewinnt, während es mehr FX-Flow konsumiert, schafft eine Konzentration der Abhängigkeit von einem einzigen asiatischen Anbieter, der auch im Zahlungsverkehr tätig ist, ein Szenario, das europäische und nordamerikanische Regulierungsbehörden in ihren Richtlinien zur kritischen Outsourcing noch nicht normalisiert haben.

Wo der Druck ankommt

Zwei Lesarten überlappen sich auf den Märkten. In Singapur und Hongkong, wo die vier Banken einen relevanten Teil ihrer asiatischen Treasury-Operationen konzentrieren, ist die Wirkung unmittelbar: Outsourcing-FX-Systeme beginnen, um Bandbreite mit heimischen Plattformen von japanischen und chinesischen Dealer-Banken zu konkurrieren. MUFG und ICBC befinden sich in ähnlichen Pilotprojekten mit eigenen Zeitreihenmodellen, und die MAS hat bereits signalisiert, dass sie standardisieren möchte, wie diese Systeme im Rahmen des PathFin.ai-Sandbox auditiert werden.

Im Vereinigten Königreich betreibt Barclays sein BARX NetFX von London aus, wo die FX-Desks seit zwei Quartalen einer Spread-Kompression und der Migration von Firmenkunden zu automatisierten RFQ-Plattformen ausgesetzt sind. Ein Modell, das die Hedging-Kosten um 60% senkt, wenn es in tatsächlicher Leistung repliziert wird, überträgt einen Teil dieses Gewinns auf den Kunden, bevor es zu Margen für den Händler wird. Aiman Ezzat, CEO von Capgemini, bezeichnete dieses Phänomen im Juli als Wertkompression in den Marktdiensten.

Das Gegenargument stammt aus der Branche selbst. Führungskräfte europäischer Fintechs erinnern daran, dass die Akzeptanzrate von Foundation Models durch globale Banken nach wie vor so gering ist, dass jedes funktionale Treasury-Projekt Gewinne generieren kann und dass der MASE im Produktionsbetrieb von dem Leaderboard-Wert abweichen kann, wenn die realen Daten in den Zyklus eintreten.

Was sich ab jetzt ändert, ist, dass der Käufer von Treasury-Technologie eine öffentliche Referenz für Verhandlungen hat. Wenn die nächste RFP für FX mit "Wir möchten Ihren MASE im Vergleich zum FalconTST 2.0 sehen" eintrifft, steigen die Eintrittskosten für westliche Anbieter wie Kyriba, ION und FIS.