Indien: Was die Notenbank erwartet, wenn die KI Nein sagt

Eine Autowerkstatt in einer indischen Provinzstadt. Der Inhaber beschäftigt vier Mitarbeiter, kassiert seine Kunden per Sofortüberweisung und führt keine förmliche Buchhaltung. Er beantragt einen Kredit, die Software der Bank sagt Nein, und niemand in der Filiale kann ihm sagen, warum.

Genau dieses Kleinunternehmen, dem ein Modell die Tür verschließt, stellte Sanjay Malhotra, Gouverneur der Reserve Bank of India, in den Mittelpunkt seiner Rede am 11. August vor der FIBAC-Konferenz in Mumbai. Sein Kernsatz: Wenn ein KI-System empfiehlt, einem Kleinunternehmen keinen Kredit zu geben, dann gilt laut Malhotra „both the borrower and the regulator are entitled to know why“, sowohl der Kreditnehmer als auch die Aufsichtsbehörde haben demnach ein Recht darauf, den Grund zu erfahren. Opazität sei kein bloßes Ärgernis, fügt er hinzu, sie treffe den Kern der Rechenschaftspflicht: „Opacity is not merely an inconvenience; it strikes at the heart of accountability.“

Neun von zehn Konten, aber nur jeder siebte Kredit

Indien hat das Problem der Kontoeröffnung gelöst, bevor es das des Kredits angeht. Laut der Global-Findex-Datenbank der Weltbank besaßen 2024 89 Prozent der indischen Erwachsenen ein Bankkonto, 2011 waren es erst 35 Prozent. Im selben Zwölf-Monats-Zeitraum hatten jedoch nur 14,5 Prozent bei einer Bank oder einem formellen Finanzinstitut einen Kredit aufgenommen. Bei den ärmsten 40 Prozent der Bevölkerung sinkt der Wert auf 9,7 Prozent.

Genau in dieser Lücke zwischen den beiden Zahlen bewegt sich die Rede. Ein Konto zu haben bedeutet, eine Eingangstür zu besitzen, eine Kredithistorie zu haben bedeutet, auch den Schlüssel dazu zu besitzen. Wer die Tür, aber nicht den Schlüssel hat, das sind genau die Gruppen, die der Gouverneur aufzählt: Erstkreditnehmer, Plattformarbeiter, Kleinunternehmen ohne Buchführung.

Was die Modelle an der Kreditvergabe ändern

Genau hier sieht der Gouverneur das natürliche Einsatzfeld der KI. Modelle, die mit „alternative data: cash flows, GST filings, utility payments, digital footprints“ trainiert wurden, also mit Zahlungsströmen, indischen Umsatzsteuermeldungen (GST), Rechnungen von Versorgern und digitalen Spuren, können die Grenze des „bankfähigen“ Indiens sehr viel weiter verschieben als eine manuelle Prüfung, bei einem Bruchteil der Kosten pro Fall.

Die klassische Kreditprüfung verlangt eine schriftlich dokumentierte Vergangenheit, während diese Modelle beobachten, was gerade auf einem Konto passiert. Ein Handwerker ohne Bilanz hat selten eine Akte, aber fast immer eine Spur.

Dann folgt die Passage, die es in der Berichterstattung nicht geschafft hat. „This list is illustrative, not exhaustive, and I do not offer it as a mandate“, sagt Malhotra vor dem Publikum, auf Deutsch: Diese Liste sei beispielhaft, nicht abschließend, und er verstehe sie nicht als Verpflichtung. „Every bank's playbook should be its own“, so Malhotra weiter, das Vorgehen jeder Bank solle ihr eigenes sein, geprägt von ihrer Kundschaft, ihrer Risikobereitschaft und ihrer Fähigkeit, das zu steuern, was sie einsetzt. Er fordert von jeder Bank lediglich, sich selbst zu fragen, wo sie steht, ohne ihr die Antwort vorzuschreiben.

Fünf Erwartungen, und eine, die teuer wird

Auf der anderen Seite ändert sich der Ton. Die RBI habe sich bewusst für „a principles-based, proportionate approach over a rigid, prescriptive one“ entschieden, also für einen prinzipienbasierten, verhältnismäßigen Ansatz statt eines starren, vorschreibenden, doch „certain expectations will apply across the board“, bestimmte Erwartungen gelten für alle. Es folgen fünf Punkte, die der Gouverneur als unmittelbare Prioritäten versteht, nicht als ferne Fristen.

Ein vollständiges Inventar jedes eingesetzten KI-Systems, einschließlich der bei Anbietern eingebetteten. Eine vom Verwaltungsrat verabschiedete Governance-Politik. Red Teaming vor der Einführung und danach in regelmäßigen Abständen. Menschliche Aufsicht überall dort, wo der Fehler eines Systems einen materiellen Schaden verursachen könnte. Und die Fähigkeit, Entscheidungen zu erklären, die einen Kunden materiell betreffen, „particularly in lending and fraud outcomes“, insbesondere bei Kredit- und Betrugsentscheidungen.

Was Ertrag bringt, breiter Kredite zu vergeben, bleibt die Entscheidung jeder einzelnen Bank. Was Kosten verursacht, erklären zu können, warum man abgelehnt hat, gilt für alle. Ein und dieselbe Rede enthält also eine Einladung und ein Pflichtenheft, und beide betreffen nicht dieselbe Hälfte des Geschäfts.

Der Text, der verbindlich werden wird, ist schon geschrieben

Eine Rede eines Gouverneurs verpflichtet niemanden. Diese Rede kommentiert jedoch einen Text, der verbindlich werden wird: Die RBI hat am 24. Juni 2026 den Entwurf „Guidance on Regulatory Principles for Model Risk Management“ veröffentlicht, der bis zum 24. Juli öffentlich kommentiert werden konnte. Er richtet sich an Geschäftsbanken, Genossenschaftsbanken, Nichtbanken-Finanzgesellschaften und Kreditauskunfteien, insgesamt rund zehn Kategorien.

Die Entstehungsgeschichte liefert die RBI selbst. Ein erster Entwurf zu Modellrisiken im Kreditgeschäft im August 2024, dann der Bericht ihres FREE-AI-Ausschusses im August 2025 mit sieben Grundprinzipien und 26 Empfehlungen auf sechs Säulen, und schließlich dieser Entwurf vom Juni. Die Rede vom 11. August eröffnet also kein neues Vorhaben. Sie vertont eine Partitur, die seit zwei Jahren geschrieben wird.

Diesen Ausschuss hatte die Notenbank Ende Dezember 2024 eingesetzt, unter dem Vorsitz eines Informatikprofessors des IIT Bombay, mit Mitgliedern aus der Aufsichtsbehörde, dem Ministerium für Elektronik, einer Anwaltskanzlei, einer großen Privatbank und der industriellen Forschung. Sein Auftrag: einen Governance-Rahmen für die Einführung von KI im indischen Finanzwesen zu empfehlen, Fintechs eingeschlossen.

Je weiter der Hahn aufgedreht wird, desto mehr wird abgelehnt

Es bleibt eine Spannung, die die Rede nicht auflöst. Den Kreditzugang zu erweitern bedeutet, sehr viel mehr Anträge zu bearbeiten, also auch absolut sehr viel mehr abzulehnen. Jede zusätzliche Ablehnung ist eine Entscheidung, die begründet werden muss, und das Nein eines Modells zu begründen ist ausgerechnet das, was die Branche am wenigsten beherrscht.

Malhotra benennt das unbequemste Risiko selbst. Ein Modell, das auf historischen Kreditdaten trainiert wurde, kann, wenn es nicht überwacht wird, bestehende Verzerrungen erlernen und fortschreiben, „biases against certain geographies, certain occupations, certain communities“. Ein scheinbar neutraler Algorithmus könne in der Praxis zutiefst diskriminierende Ergebnisse liefern, so Malhotra: „Fairness in AI-driven finance is not a compliance checkbox; it is a design requirement from day one.“

Das Muster ist bekannt: KI schließt eine reale Zugangslücke und erzeugt dabei ein neues Risiko, wie schon bei den medizinischen Versorgungslücken, wo 600.000 unbeantwortete Fragen einen Abnehmer fanden. Oder sie lässt ein Volumen anschwellen, das eine Institution danach bewältigen muss, wie vor den britischen Arbeitsgerichten.

Was aus der Rede in der Berichterstattung wurde

Am nächsten Tag titelte The Register: „India's central bank wants AI to approve loans that humans would reject“, Indiens Notenbank wolle, dass KI Kredite bewilligt, die Menschen ablehnen würden. Der Artikeltext selbst ist sorgfältig: Er zitiert die Originalzitate, geht die fünf Erwartungen einzeln durch, spricht an keiner Stelle von einer Pflicht, und auch der Untertitel ist präzise. Es ist die Überschrift, die aus einer Erweiterung des Anwendungsbereichs eine Umkehrung der Entscheidungsgewalt macht.

Eine Überschrift ist ein Trichter, und was dort nicht hindurchpasst, verschwindet aus dem Rest der Kette. Die ausdrückliche Ablehnung jeder Verpflichtung, die Malhotra vor dem Publikum aussprach, hat diese Stufe nicht überstanden. Zwischen dem Podium in Mumbai und den Nachrichtentickern wurde aus einem Regulator, der anregt, ein Regulator, der verlangt, ohne dass irgendjemand eine einzige falsche Zeile geschrieben hätte.

Was Malhotra den indischen Banken tatsächlich hinterlassen hat, ist anspruchsvoller als eine Anordnung, denn eine Anordnung lässt sich abhaken, eine Erwartung muss belegt werden. Seine eigene Formel: „‚The model decided‘ can never be an acceptable answer to a customer, an auditor, or the Reserve Bank.“ Auf Deutsch: „Das Modell hat entschieden“ kann nie eine akzeptable Antwort gegenüber einem Kunden, einem Prüfer oder der Reserve Bank sein.