Vasyl Soloshchuk, CEO und Gründer von INSART – Interviewreihe

Vasyl Soloshchuk, CEO und Gründer von INSART, ist ein Fintech‑Unternehmer mit mehr als 25 Jahren Erfahrung in Softwareentwicklung, technischer Führung und Risikokapitalinvestitionen. Er begann seine Karriere als Entwickler und stieg kontinuierlich in Führungspositionen auf, um INSART schließlich zu einem internationalen Akteur im Bereich Finanztechnologie auszubauen. Im Laufe seiner Karriere arbeitete er eng mit Gründern und Führungsteams zusammen, um Produktstrategie und -umsetzung zu gestalten, und trug gleichzeitig zum breiteren Tech‑Ökosystem bei, etwa durch Initiativen wie den Kharkiv IT Cluster und die Teilnahme an Venture‑Syndikaten, die aufstrebende Startups unterstützen.

INSART positioniert sich als Fintech‑Accelerator, der technisches Know‑how mit strategischer Unterstützung kombiniert, um Unternehmen beim Aufbau und der Skalierung von Finanzprodukten in jeder Wachstumsphase zu helfen. Das Unternehmen unterstützt Startups und Unternehmen von der frühen Ideenfindung und MVP‑Entwicklung über die Produkt‑Markt‑Passung, den Markteintritt bis hin zur großflächigen Implementierung. Mit Fokus auf Bereiche wie digitales Banking, Zahlungen, Kreditvergabe und Finanzinfrastruktur fungiert INSART sowohl als technischer Partner als auch als Wachstumsplattform und hilft Fintech‑Firmen, Entwicklungszeiten zu beschleunigen und die Komplexität des Skalierens in regulierten Märkten zu meistern.

Sie begannen Ihre Karriere als Softwareentwickler; welche frühen Anzeichen überzeugten Sie, dass Finanzdienstleistungen zu einer der am stärksten technologiegetriebenen Branchen werden würden?

Ich begann als freiberuflicher Softwareentwickler, als ich noch an der Universität war. Schnell stellte ich ein Team zusammen und wir begannen, über Freelancer‑Plattformen Projekte zu übernehmen. Softwareentwicklung und Finanzen interessierten mich damals gleichermaßen. Ich entwickelte Software und lernte gleichzeitig Finanzwesen. Es war eine Möglichkeit, meine Fähigkeiten und Interessen zu verbinden.

Was mich früh prägte, war die Kombination – Software zu bauen, Finanzen zu studieren und über finanzielle Freiheit sowie Unternehmertum nachzudenken. Ich wurde ziemlich besessen von der Schnittstelle zwischen Technologie und Finanzen, weil ich fest davon überzeugt bin, dass Menschen nur dann frei sein können, wenn sie finanziell frei sind.

Es war auch ein sehr entscheidender Moment in meinem Leben.

Im Jahr 2008 war ich als Doktorand‑Praktikant im IBM Watson Research Center in New York tätig. Das war genau während der Finanzkrise. Ich arbeitete an Datenanalyse‑Projekten und verfolgte gleichzeitig aufmerksam die Entwicklungen an den Finanzmärkten. Ich war in New York, besuchte die Börse und sprach mit IBM‑Mitarbeitern, die mit Hedgefonds und Investmentfirmen zusammenarbeiteten. Es herrschte ein echtes Gefühl von Verwirrung und Frustration – die Menschen wussten nicht, wie sie vorankommen sollten. In diesem Moment wurde mir klar, dass die Finanzindustrie, wie sie damals existierte, nicht stabil war. Sie musste neu definiert werden. Und für mich wurde deutlich, dass Technologie der Treiber dieses Wandels sein würde.

Ich hatte die Möglichkeit, bei IBM zu bleiben. Aber ich entschied mich für etwas anderes und beschloss, INSART zu gründen. Mein Ziel war es, Technologie zu schaffen. Ich wollte das Finanzsystem stärker und offener machen. Wenn ich heute zurückdenke, gab es einige Anzeichen, die mich zu dieser Entscheidung bewogen haben.

Erstens sind Finanzdienstleistungen im Kern Informationssysteme. Geld ist Daten, Transaktionen sind Zustandsänderungen. Sobald man das versteht, wird klar, dass Software keine Unterstützungsfunktion ist – sie bildet das Kernstück des Geschäfts. Unternehmen wie Stripe sind ein gutes Beispiel dafür, bei dem APIs im Wesentlichen zum Produkt wurden.

Zweitens wurde die Regulierung immer komplexer. Jede neue Anforderung fügt Ebenen von Logik und Reporting hinzu. Das kann nicht allein durch Menschen skaliert werden. Es erfordert Systeme. Das sieht man deutlich bei Unternehmen wie Plaid, die eine Infrastruktur aufgebaut haben, um diese Komplexität zu bewältigen.

Drittens zwingt Margendruck zur Automatisierung. Finanzinstitute konkurrieren in den Bereichen Geschwindigkeit, Kosten und Risiko. Technologie ist das einzige Hebel, das alle drei verbessert. Im Laufe der Zeit, in der Zusammenarbeit mit Fintech‑Unternehmen, haben wir gesehen, dass die Gewinner nicht diejenigen mit besseren Ideen waren, sondern jene mit besserer Architektur und Umsetzung. Und das ist nach wie vor die Mission, der wir bei INSART heute folgen – Fintech‑Geschäfte voranzutreiben, die die Finanzwelt neu definieren und digitale Freiheit erweitern.

Wo liefert KI bereits heute messbaren Mehrwert?

Die Kluft zwischen KI als Erzählung und KI als Produktionssystem ist nach wie vor sehr groß.

Wo wir echten Mehrwert sehen, sind Bereiche mit starken Daten und schnellen Rückkopplungsschleifen.

Betrugserkennung ist das klarste Beispiel. Unternehmen wie Feedzai und Stripe Radar nutzen maschinelles Lernen, um Anomalien in Echtzeit zu erkennen, und die Wirkung lässt sich direkt an reduzierten Betrugsverlusten messen.

Operative Automatisierung ist ein weiteres Gebiet. Zum Beispiel unterstützen Unternehmen wie UiPath Finanzinstitute dabei, dokumentenintensive Prozesse zu automatisieren, Kosten zu senken und die Ausführung zu beschleunigen.

Personalisierung funktioniert ebenfalls gut. Wealthfront und ähnliche Plattformen nutzen KI, um Anlagestrategien zu individualisieren und die Nutzerbindung zu verbessern.

Ein Bereich, der sich sehr schnell entwickelt, ist die generative Business‑Intelligence. Viele Unternehmen verfügen bereits über Daten, aber die Führungsebene kann nicht schnell genug auf Erkenntnisse zugreifen. Wir bauen Systeme, in denen Führungskräfte Fragen stellen können wie „Warum ist der Umsatz diese Woche gesunken?“ und sofortige Antworten über verschiedene Systeme erhalten.

Hier wird KI sehr praktisch – sie erhöht die Entscheidungsgeschwindigkeit, nicht nur die Prozesse.

Im Underwriting, bei der Betrugserkennung und Compliance – was funktioniert tatsächlich?

Betrugserkennung funktioniert bereits in großem Maßstab. Sie verfügt über klare Signale und kontinuierliches Feedback. Unternehmen wie Featurespace sind dafür starke Beispiele.

Underwriting funktioniert teilweise. Es liefert gute Ergebnisse in bestimmten Segmenten, insbesondere bei Nutzung alternativer Daten. Zum Beispiel verwendet Upstart KI für Kreditentscheidungen, operiert jedoch weiterhin innerhalb regulatorischer Vorgaben.

Regulatorische Compliance ist das komplexeste Gebiet. Ein Großteil dessen, was als KI angepriesen wird, ist nach wie vor regelbasierte Automatisierung. Echte KI‑gestützte Compliance ist komplexer und erfordert kontextuelles Verständnis statt bloßer Mustererkennung. Unternehmen wie ComplyAdvantage bewegen sich in diese Richtung, doch ist es noch in Entwicklung.

Es gibt zudem einen leiseren, aber wichtigen Wandel im internen Reporting und in der Entscheidungsfindung. Viele Institutionen verlassen sich noch auf statische Dashboards. KI beginnt, dies in dynamische Systeme zu verwandeln, die es der Führung ermöglichen, in Echtzeit zu verstehen, was geschieht, und schneller zu handeln.

Wie viel vom aktuellen KI‑Hype ist Aufregung versus reale Leistungsfähigkeit?

KI ist gleichzeitig real und übervermarktet.

Ein Teil liefert echten Produktionswert. Der Rest ist nach wie vor erzählerisch getrieben, besonders bei Fundraising und Positionierung.

Der Unterschied ist einfach. Wenn KI einen messbaren KPI verbessert, ist sie real. Wenn sie hauptsächlich ein Pitch‑Deck verbessert, ist sie Hype.

Zum Beispiel ist das Hinzufügen von KI‑Labels zu einem Dashboard nicht transformativ. Aber wenn KI einem CFO sofort hilft, Umsatztreiber zu verstehen und Maßnahmen zu ergreifen, ist das eine echte Chance.

Unternehmen wie OpenAI und Anthropic bauen leistungsstarke Kernmodelle, aber die eigentliche Herausforderung besteht darin, sie in Geschäftssysteme zu integrieren.

Deshalb konzentrieren wir uns auf Entscheidungsintelligenz und generative Business‑Analytics. Dies ist einer der wenigen Bereiche, in denen der Mehrwert sofortig ist und die Akzeptanz natürlich erfolgt.

Warum scheitern so viele KI‑Pilotprojekte daran, in die Produktion zu gelangen?

Die meisten Fehlgeschläge hängen mit Systemen und nicht mit Modellen zusammen. Die grundlegenden Probleme sind fragmentierte Daten, fehlende Produktionsinfrastruktur und unklare Verantwortlichkeit für Ergebnisse.

Zusätzlich wird KI isoliert entwickelt, sodass Teams Modelle erstellen, die dann nicht in Workflows oder Reporting‑Systeme integriert werden. Ein gutes Beispiel dafür sind Banken, die mit Modellen experimentieren, die denen von Unternehmen wie DataRobot ähneln, diese jedoch nicht implementieren können.

Wenn die aus diesem Prozess resultierenden Daten nicht die Entscheidungsträger auf C‑Level‑Ebene erreichen, die sie nutzen können, kommt das gesamte Projekt zum Stillstand. KI‑Modelle funktionieren nur, wenn sie Teil unserer Entscheidungsfindung sind, nicht, wenn sie nur nebenbei ausprobiert werden.

Wie überwinden Institutionen Herausforderungen in der Dateninfrastruktur?

Es geht nicht um KI, sondern um Datenarchitektur. Leistungsstarke Institutionen vereinheitlichen ihre Daten, erstellen Echtzeit‑Datenverarbeitungspipelines und setzen konsistente Kennzahlen. Unternehmen wie Snowflake und Databricks sind in diesem Bereich sehr wichtig, weil sie helfen, sicherzustellen, dass die Dateninfrastruktur große Datenmengen verarbeiten kann. Und das ist die Grundlage, um robuste Entscheidungs‑ und Reporting‑Systeme aufzubauen.

Viele Unternehmen nutzen unvollständige Daten, was zu falschen Antworten führt und das Vertrauen in die Ergebnisse untergräbt. Der richtige Ansatz ist: zuerst erhalten Sie die Daten; dann bauen Sie die Infrastruktur für die Daten; anschließend erstellen Sie die Modelle; und schließlich schöpfen Sie geschäftlichen Mehrwert aus den Daten, den Modellen und der von Snowflake und Databricks bereitgestellten Infrastruktur.

Wie verändert generative KI Betrug und Betrugserkennung?

Generative KI verändert sowohl offensive als auch defensive Ansätze. Das Problem des Betrugs verschärft sich. Betrugsangriffe werden immer raffinierter. Menschen nutzen Dinge wie Deepfakes, gefälschte Identitäten und von Computern erstellte Phishing‑E‑Mails. Diese werden sehr schnell populär. Unternehmen wie Sensity AI beobachten die Risiken, die mit Deepfakes einhergehen, und wollen verstehen, welche Probleme Deepfakes verursachen können.

Im Sicherheitsbereich bewegen sich Organisationen hin zu adaptiven Systemen. Statt statischer Regeln setzen sie auf Verhaltensanalyse und Echtzeit‑Erkennung. Darktrace ist ein Beispiel für diesen Ansatz. Wir treten in eine Phase ein, in der es im Wesentlichen zu einem Kampf zwischen KI und KI kommt. Statische, regelbasierte Systeme reichen nicht mehr aus.

Wie balancieren Institutionen KI‑gesteuerte Kreditentscheidungen mit regulatorischen Vorgaben?

Es besteht ein Spannungsfeld zwischen Effizienz und Regulierung. Künstliche Intelligenz unterstützt bei Vorhersagen, während Vorschriften Transparenz verlangen.

Institutionen setzen eine Mischung aus Strategien und Ansätzen um. Künstliche Intelligenz erzeugt Prognosen. Anschließend fügen sie weitere Ebenen hinzu, um Erklärungen zu liefern. Zum Beispiel arbeitet Upstart eng mit Regulierungsbehörden zusammen, um die Erklärbarkeit seiner Modelle sicherzustellen.

Menschliche Kontrolle wird stets an erster Stelle stehen, insbesondere bei Entscheidungen mit hohen Einsätzen. Die Zukunft liegt in KI‑unterstützten Systemen, die effizient und prüfbar sind.

Was unterscheidet Institutionen, die KI erfolgreich einsetzen, von denen, die Schwierigkeiten haben?

Kurz gesagt, Institutionen, die KI erfolgreich integriert und angepasst haben, unterscheiden sich von anderen durch ihre Architektur.

Erfolgreiche Institutionen sind cloud‑native, modular und datengetrieben. Nubank und ähnliche Unternehmen sind gute Beispiele; sie wurden von Anfang an mit moderner Architektur aufgebaut. Man kann keine Intelligenz in ein System implementieren, das nicht dafür konzipiert wurde.

Wie wird KI künftig Prozesse automatisieren oder Finanzprodukte neu gestalten?

Kurzfristig wird KI Kosten senken und das Risikomanagement voranbringen und natürlich Prozesse automatisieren. Langfristig wird sie Finanzprodukte transformieren.

Wir werden mehr dynamische und personalisierte Finanzdienstleistungen sehen.

Eine der bemerkenswertesten Veränderungen wird darin bestehen, wie Entscheidungen innerhalb von Organisationen getroffen werden. Wir werden von statischem Reporting zu interaktiven, Echtzeit‑intelligenten Systemen übergehen. Im Finanzwesen ist die Geschwindigkeit der Entscheidungsfindung ein Wettbewerbsvorteil, und KI wird dies grundlegend verändern.

Vielen Dank für das großartige Interview, Leser, die mehr über diesen Fintech‑Accelerator erfahren möchten, sollten INSART besuchen.