Was passiert ist
Am 15. Juli 2026 wurde öffentlich, wie die Schufa ihren neuen Score berechnet. Das Handelsblatt berichtete: Die Auskunftei speichert umfangreiche historische Daten und bezieht sie in die Bonitätsbewertung ein. Verbraucherschützer kritisieren die Methode scharf. Sie fürchten dauerhafte Stigmatisierung und unkontrollierbare Datensammlung. Die zentrale Frage lautet: Wie weit reichen die historischen Daten zurück? Fünf Jahre, zehn Jahre oder noch länger? Und nach welcher Logik fließen sie ins Scoring ein? Die Schufa bleibt bei vielen Details vage. Genau hier liegt das Problem.
Denn in drei Wochen, am 2. August 2026, werden die Pflichten des EU-AI-Acts für Hochrisiko-KI-Systeme scharfgeschaltet. Bonitätsscoring fällt ausdrücklich in diese Kategorie. Wer ein KI-gestütztes Kreditvergabesystem betreibt, muss ab dann erklären können, wie es zu einer Entscheidung kommt, welche Daten verwendet wurden und ob das Modell diskriminierungsfrei arbeitet. Eine intransparente Datenbasis wie der neue Schufa-Score hebelt genau diese Erklärbarkeit aus. Das Timing könnte brisanter kaum sein.
Warum das jetzt für Ihre Kreditprozesse zählt
Die Finanzbranche hat KI in den Kreditabteilungen längst flächendeckend im Einsatz. Banken, Leasinggesellschaften, Factoring-Anbieter und Kreditplattformen nutzen maschinelle Modelle, um Anträge vorzuprüfen, Risikoeinstufungen vorzunehmen oder Limits zu berechnen. Typisches Muster: Der Antrag eines Handwerksbetriebs auf einen Investitionskredit wird automatisch abgelehnt, weil der Schufa-Score des Inhabers einen historischen Negativ-Eintrag enthält. Der Firmeninhaber versteht die Welt nicht mehr. Der Bankberater kann die Entscheidung nicht nachvollziehen. Die BaFin fragt irgendwann nach dem Modell. Dann steht die Bank ohne Antwort da.
Historische Daten sind der Feind jeder fairen KI. Sie transportieren alte Verhältnisse in die Zukunft, ohne dass das Modell zwischen berechtigten und überholten Merkmalen unterscheiden kann. Eine Scheidung vor zehn Jahren, eine überwundene Insolvenz, ein einmaliger Zahlungsverzug: Solche Einträge können einen aktuell einwandfreien Schuldner schlecht bewerten. Der AI Act verlangt ausdrücklich, dass Hochrisiko-KI-Systeme Bias vermeiden und keine Diskriminierung verursachen. Ein KI-System, das auf einem solchen Score aufbaut, verletzt diese Anforderung quasi automatisch.
Noch ein Punkt: Die BaFin und die österreichische FMA haben ihre Erwartungen an Modellrisikomanagement und Fairness in den letzten Monaten konkretisiert. Sie fordern von Kreditinstituten, dass sie ihre KI-Anwendungen regelmäßig auditieren und nachweisen, dass keine unverhältnismäßige Benachteiligung bestimmter Gruppen stattfindet. Auch kleinere Institute werden sich darauf einstellen müssen. Eine externe Prüfung durch den Wirtschaftsprüfer kann teuer werden, wenn die Dokumentation mangelhaft ist.
Nicht zu vergessen: Auch Vermögensverwalter und Family Offices, die für ihre Kunden Immobilienfinanzierungen oder Lombardkredite vermitteln, verlassen sich häufig auf Bonitätssignale. Wenn der Score intransparent wird, können sie den Kunden nicht erklären, warum eine Finanzierung abgelehnt wird oder warum der Zins höher ausfällt. Das Vertrauen leidet, sobald der Berater ratlos mit den Schultern zuckt.
Konkrete Schritte für Ihre Scoring-Modelle
Erstens: Transparenz bei der Datenquelle einfordern. Verhandeln Sie mit Auskunfteien wie der Schufa, Creditreform oder Crif vertragliche Klauseln zur Datenherkunft und Gewichtung. Lassen Sie sich schriftlich zusichern, welche Merkmale zu welchem Anteil in den Score einfließen und wie lange historische Daten berücksichtigt werden. Ohne diese Informationen können Sie gegenüber Aufsicht und Kunden keine Rechenschaft ablegen. Prüfen Sie auch, ob eine Alternative mit einer weniger umstrittenen Auskunftei möglich ist.
Zweitens: Reichern Sie Ihre Scoring-Modelle mit unabhängigen Daten an. Nutzen Sie Zahlungsverkehrsdaten, die über die PSD2-Schnittstelle abrufbar sind. Für Mittelstandskunden bieten sich Buchhaltungsdaten und steuerliche Kennzahlen an, die Sie mit Zustimmung des Kunden automatisiert auslesen können. Auch Branchenindikatoren oder Lieferantenbewertungen verbessern die Prognose und machen das Modell robuster gegen einzelne, möglicherweise veraltete Informationen.
Drittens: Richten Sie ein fortlaufendes Fairness-Audit ein. Messen Sie die Fehlerquote und die Ablehnungsrate nach soziodemografischen Merkmalen, soweit rechtlich zulässig. Berechnen Sie den Disparate Impact für geschützte Gruppen. Dokumentieren Sie, wie das Modell mit historischen Negativmerkmalen umgeht. Ein solches Monitoring zeigt frühzeitig, wenn sich Bias einschleicht. Es ist gleichzeitig die Basis für die ab August geforderte Konformitätsbewertung unter dem AI Act.
Mein Rat: Beginnen Sie jetzt mit diesen drei Schritten. Der Druck durch die Regulierung steigt, ebenso das öffentliche Interesse. Die Schufa-Debatte wird sich ausweiten und weitere Auskunfteien betreffen. Wer heute noch meint, einfach einen externen Score in ein Blackbox-Modell zu pumpen, wird in einem Jahr vor einem Haufen Probleme sitzen. Die Technik für erklärbare KI und faire Datenpipeline ist verfügbar. Nutzen Sie die Zeit.