Akzeptanztreiber von KI-basierten Finanz-Apps:
Eine Analyse der Treiber und Ergebnisse
Zielsetzung
Künstliche Intelligenz (KI) hat das Potenzial, den Finanzsektor zu revolutionieren (Boukherouaa et al., 2021).
Gegebenenfalls das diese Change tatsächlich von der Finanzbranche ergriffen wird. Da die Verwendung von Banking-Services und KI im Hinblick auf die Nutzer komplex ist, ist es wichtig, die Treiber der Akzeptanz für KI-basierte Finanz-Applikationen zu erkennen und davon gebraucht zu machen.
Meine Bachelorthesis zielt darauf ab, die Treiber der Akzeptanz von KI-basierten Finanz-Apps zu identifizieren und zu analysieren.
Vorgehensweise
Die Methoden, welche in meiner Thesis verwendet wurden, umfassen eine Literaturrecherche zum aktuellen Forschungsstand, eine quantitative Umfrage und die Anwendung von statistischen Tests zur Datenanalyse, einschliesslich Regressionsanalyse.
Anhand der Literaturrecherche wurden sieben Treiber identifiziert. Dabei habe ich die identifizierten Treiber in zwei Gruppen geteilt. Einmal in die bekannten Faktoren aus den Technologieakzeptanz-Modellen "Akzeptanztreiber nach TAM/ UTAUT" und andererseits zusätzliche Treiber, welche ich durch die Literaturrecherche einbinden wollte "Erweiterte Einstellungen zur Akzeptanz".
Die Datenanalyse wurde mithilfe des IBM-Tools SPSS durchgeführt. Die Umfrage umfasste drei Teile: Beschreibung der Finanz-App, Single-Choice-Fragen und demografische Angaben. Alle sieben Treiber und die zu untersuchende Variable "die Akzeptanz" wurden in der qualitativen Umfrage anhand von jeweils vier Items befragt. Jeder Treiber erhielt, um diesen testen zu können, eine Hypothese:
Hypothesenüberblick
H1 Wahrgenommener Nutzen: Je mehr Nutzen ich von diese KI-basierten Finanz-App erwarte, desto eher bin ich bereit, sie zu nutzen.
H2 Einfachheit der Nutzung: Je einfacher sich eine KI-basierte Finanz-App anwenden lässt, desto höher ist die Bereitschaft diese zu verwenden.
H3 Sozialer Druck zur Nutzung: Je höher der soziale Druck, mit KI-Trends mitzuhalten, steigt, desto mehr tangiert es die Entscheidung KI-basierte Finanz-Apps anzuwenden.
H4 Erfahrung mit KI: Je ausgeprägter die Benutzererfahrung bezüglich KI-Technologien sind, desto höher ist die Bereitschaft, die KI-basierte Finanz-App zu verwenden.
H5 Nutzervertrauen in KI (im Allgemeinen): Je grösser das Vertrauen in die KI, desto grösser ist die Bereitwilligkeit diese KI-Technologie zu nutzen.
H6 Einstellung in Bezug auf KI (im Allgemeinen): Je positiver die Einstellung gegenüber eines KI-Systems ist, desto geringer ist die Ablehnung diese anzuwenden.
H7 Wahrgenommenes Risiko der KI (im Allgemeinen): Je kleiner das wahrgenommene Risiko ist, desto höher ist die Verwendung von KI-basierten Apps.
Basierend auf diesen Hypothesen wurde mein Forschungsmodell erstellt:
Die Hypothesen wurden anhand der Umfrage getestet und die Ergebnisse ausgewertet.
Ergebnisse
Anhand meiner Daten wurden der "wahrgenommener Nutzen" sowie der "sozialer Druck" als signifikante Einflussfaktoren auf die Akzeptanz von KI-basierten Finanz-Apps geprüft. Der Treiber "Einfachheit der Nutzung" zeigte einen positiven Trend, konnte allerdings knapp nicht als signifikant gewertet werden. Die restlichen vier Treiber erwiesen sich als nicht signifikant.
Durch die qualitative Datenerhebung und die darauf gestützte Analyse wurde mein Forschungsmodell überarbeitet:
Mein Forschungsmodell kann Bankinstitutionen helfen, die sieben ausgewählten Treiber für eine KI-basierte Finanz-App einstufen zu können und daraus Handlungsschlüsse zu ziehen.
Zukünftige Forschungen könnten weitere Analysen zu einem KI-Finanz-Modell erstellen, um moderierende Variablen zwischen den Treibern und der Ergebnisvariable der Akzeptanz einzubeziehen. Dabei könnte zwischen verschiedenen Finanzprodukten wie KI-basiertes eBanking, KI-Assistent, KI-Anlegung unterschieden werden, um die KI in der Finanzbranche für die künftige Nutzung besser einzubauen. Im Wesentlichen trägt diese Arbeit dazu bei, zu erkennen, dass die Akzeptanz von KI-basierten FinTech-Produkten wichtig ist.
Tags: #KI #Finanz-Apps #Technologieakzeptanz #Nutzervertrauen #Datenanalyse #Finanztechnologie