KI-gestützte Analysen für die Vermögensverwaltung
Künstliche Intelligenz spielt im Vermögensmanagement eine immer größere Rolle, doch ihr wichtigster Beitrag besteht nicht darin, Märkte mit Sicherheit vorherzusagen. KI-gestützte Analysen im Vermögensmanagement werden genutzt, um Portfoliodaten zu konsolidieren, Risikokonzentrationen zu identifizieren, Kundenberichte zu erstellen und Berater durch einen schnelleren Zugriff auf relevante Informationen zu unterstützen. Deloitte stellte fest, dass rund 60 Prozent der befragten Vermögensverwaltungsgesellschaften KI in bescheidenem Umfang für datenbezogene Vertriebsaktivitäten einsetzten, während nur 11 Prozent den Einsatz als umfangreich bezeichneten. Die Zahlen deuten darauf hin, dass sich der Einsatz ausweitet, aber auch, dass die meisten Unternehmen noch weit von einem vollautomatisierten Anlagemodell entfernt sind.
Diese Unterscheidung ist wichtig, da der Begriff „KI“ oft auf sehr unterschiedliche Technologien angewendet wird. Automatisierte Portfolioanpassung, Steuerverlustoptimierung, auf maschinellem Lernen basierende Risikomodelle und generative Tools zur Zusammenfassung von Dokumenten können zwar alle innerhalb derselben Vermögensverwaltungsplattform vorkommen, erfüllen jedoch unterschiedliche Aufgaben und erfordern unterschiedliche Formen der Aufsicht. Der wirtschaftliche Nutzen liegt weniger darin, Berater zu ersetzen, als vielmehr darin, ihnen dabei zu helfen, mehr Informationen zu analysieren, Probleme früher zu erkennen und Entscheidungen klarer zu kommunizieren.
Für Vermögensverwalter besteht die zentrale Herausforderung daher nicht darin, ob KI Daten schneller verarbeiten kann als ein Team aus Menschen. Das kann sie. Die schwierigere Frage ist vielmehr, ob Unternehmen diese Geschwindigkeit in bessere Entscheidungen umsetzen können, ohne dabei die Eignheitsprüfungen, die Datensicherheit oder die Rechenschaftspflicht zu beeinträchtigen.
Die Vermögensverwaltung ist schon seit Jahren automatisiert
Die Technologie hat das Portfoliomanagement schon lange vor dem Einzug der generativen KI in die Finanzbranche beeinflusst. Quantitative Investmentfirmen setzen seit Jahrzehnten statistische Modelle ein, während digitale Anlageplattformen Privatkunden automatische Funktionen für den Portfolioaufbau, die Neugewichtung und das Steuermanagement zur Verfügung gestellt haben. Diese Systeme werden manchmal als frühe Formen künstlicher Intelligenz dargestellt, obwohl viele von ihnen in erster Linie auf vordefinierten Anlageregeln basieren.
Betterment und Wealthfront veranschaulichen die Entwicklung der automatisierten Vermögensverwaltung. Beide Plattformen stellen diversifizierte Portfolios zusammen – in der Regel unter Verwendung von börsengehandelten Fonds – und übernehmen Aufgaben wie das Rebalancing und das „Tax-Loss-Harvesting“. Ihre Bedeutung liegt darin, dass sie einer breiteren Kundenbasis eine standardisierte Vermögensverwaltung zu geringeren Kosten anbieten, und nicht darin, eigenständige Prognosen zur Marktentwicklung abzugeben.
Dieses Modell hat gezeigt, dass Teile des Beratungsprozesses automatisiert werden können, ohne dabei die zugrunde liegenden Prinzipien der Diversifizierung, der Vermögensallokation und der Risikotoleranz außer Acht zu lassen. Der Kunde muss weiterhin seine Ziele, seinen Zeithorizont und seine Verlusttoleranz festlegen. Die Technologie wendet ein Rahmenkonzept effizienter an, entscheidet jedoch nicht darüber, ob dieses Rahmenkonzept für jeden Anleger geeignet ist.
Neuere KI-Tools weiten diese Automatisierung auf weniger strukturierte Bereiche aus. Sie können schriftliche Recherchen analysieren, Fondsunterlagen vergleichen, Informationen aus Jahresabschlüssen extrahieren und Zusammenfassungen für Berater erstellen. Dadurch erweitert sich das Spektrum der Aufgaben, die durch Software unterstützt werden können, auch wenn die Qualität des Ergebnisses weiterhin von den bereitgestellten Daten und Anweisungen abhängt.
Aladdin verdeutlicht den Umfang der Portfolioanalyse
Die Aladdin-Plattform von BlackRock wird häufig als Beispiel für fortschrittliche Anlagetechnologie angeführt. Sie bietet Tools für das Portfoliomanagement, die Risikoanalyse, den Handel, die Compliance und den operativen Bereich für öffentliche und private Vermögenswerte. BlackRock gibt an, dass „Aladdin Risk“ täglich Tausende von Multi-Asset-Risikofaktoren sowie Hunderte von Risiko- und Expositionskennzahlen bewertet, sodass Nutzer ihre Portfolios anhand eines einheitlichen analytischen Rahmens bewerten können.
Die Plattform verdeutlicht den Nutzen integrierter Daten und nicht die Überlegenheit eines einzelnen Prognosemodells. Ein Pensionsfonds, eine Bank oder ein Vermögensverwalter kann dieselbe Umgebung nutzen, um Positionen zu analysieren, potenzielle Verluste abzuschätzen und zu verstehen, wie verschiedene Vermögenswerte auf Veränderungen bei Zinssätzen, Wechselkursen oder Marktvolatilität reagieren könnten. Dies kann besonders nützlich sein, wenn Portfolios auf mehrere Manager und Anlageklassen verteilt sind.
Aladdin hat zudem KI-gestützte Funktionen für Vermögensberater hinzugefügt, darunter Tools, die Portfolio- und Risikoinformationen in für Kunden verständliche Erläuterungen umwandeln. Solche Anwendungen lösen ein praktisches Problem: Berater haben oft Zugang zu umfangreichen Analysen, verfügen jedoch nur über begrenzte Zeit, um diese in eine für Kunden verständliche Sprache zu übersetzen.
Die Technologie ersetzt nicht das eigene Urteilsvermögen. Risikomodelle basieren auf Annahmen hinsichtlich Volatilität, Korrelationen und historischer Zusammenhänge, während private Vermögenswerte möglicherweise weniger häufig bewertet werden als börsennotierte Wertpapiere. Eine Plattform kann das Risiko zwar mit großer Präzision berechnen, doch müssen die Zahlen dennoch im Kontext der Marktbedingungen und der Kundenziele interpretiert werden.
KI erweitert die Menge an Informationen, auf die Berater zurückgreifen können
Moderne Vermögensverwalter arbeiten mit einer umfangreichen und stetig wachsenden Menge an Informationen. Sie müssen Märkte, Kundenportfolios, steuerliche Aspekte, Produktdokumentationen, Wirtschaftsdaten und regulatorische Anforderungen im Blick behalten. Bei vermögenden Kunden kann diese Aufgabe auch private Unternehmen, Immobilien, Treuhandvermögen und Anlagen bei verschiedenen Banken umfassen.
KI-gestützte Analysen können diese Quellen zusammenführen und Muster erkennen, die bei einer manuellen Überprüfung nur schwer zu entdecken wären. Ein solches System könnte beispielsweise aufzeigen, dass ein Kunde, dessen Portfolio scheinbar breit gestreut über Technologiefonds, Immobilien und Private Equity verteilt ist, tatsächlich ein erhebliches indirektes Engagement im Bereich des Wachstums von Rechenzentren aufweist. Es könnte zudem offenbaren, dass mehrere Fonds Anteile an denselben Unternehmen halten oder von ähnlichen wirtschaftlichen Rahmenbedingungen abhängig sind.
Tools zur Analyse natürlicher Sprache können die Recherche unterstützen, indem sie Gewinnbekanntgaben, Unternehmensveröffentlichungen und Marktberichte auswerten. Sie können Veränderungen in der Sprache der Unternehmensführung hervorheben, Hinweise auf eine nachlassende Nachfrage identifizieren oder aktuelle Aussagen mit früheren Veröffentlichungen vergleichen. Dies kann den Zeitaufwand für die Suche nach relevanten Informationen verringern, sagt jedoch nichts darüber aus, ob diese Informationen zu einer Anlageentscheidung führen sollten.
Der Vorteil liegt daher in der analytischen Reichweite. Dank KI kann ein Berater mehr Material auswerten und Annahmen häufiger überprüfen. Der Berater muss jedoch weiterhin beurteilen, ob ein offensichtliches Muster aussagekräftig ist oder lediglich das Ergebnis von Rauschen in einem großen Datensatz.
Die Personalisierung hängt von der Datenqualität ab
Individuelle Beratung ist eines der wichtigsten Argumente für den Einsatz von KI in der Vermögensverwaltung. Bei herkömmlichen Modellen werden Kunden oft in allgemeine Risikokategorien eingeteilt und Standardportfolios zugewiesen. Fortgeschrittenere Analysemethoden können hingegen Ausgabeverhalten, Verbindlichkeiten, steuerliche Belastungen, erwartete Cashflows und spezifische finanzielle Ziele berücksichtigen.
Ein System kann erkennen, dass ein Kunde mehr Liquidität benötigt, da voraussichtlich mehrere Verpflichtungen auf dem Privatmarkt im selben Zeitraum fällig werden. Es kann auch zeigen, dass das bei der Kundenaufnahme erfasste Risikoprofil nicht mehr dem Alter, den finanziellen Verhältnissen oder dem Verhalten des Kunden in Zeiten von Marktvolatilität entspricht.
Dadurch können Beratungsleistungen zwar besser auf die individuellen Bedürfnisse zugeschnitten werden, doch ist die Personalisierung nur so zuverlässig wie die verfügbaren Informationen. Kundenakten sind häufig unvollständig oder in verschiedenen Systemen gespeichert. Wichtige Prioritäten lassen sich möglicherweise nicht in Zahlen ausdrücken, insbesondere wenn es bei den Investitionen um Familienunternehmen, Nachlassplanung oder eine persönliche Bindung an eine Immobilie geht.
Eine noch so detaillierte Empfehlung kann daher dennoch ungeeignet sein. Eine KI berechnet zwar möglicherweise die finanziell effizienteste Option, übersieht dabei jedoch den Wunsch des Kunden, die Kontrolle über ein Unternehmen zu behalten oder Vermögen für die nächste Generation zu sichern. Die Vermögensverwaltung umfasst persönliche und familiäre Aspekte, die sich nicht immer aus Transaktionsdaten ableiten lassen.
Das Risikomanagement bietet einen klareren Anwendungsfall
KI spielt eine besonders wichtige Rolle bei der Erkennung von Portfoliorisiken. Systeme auf Basis des maschinellen Lernens können Veränderungen bei Volatilität, Liquidität, Korrelation und Konzentration bei einer großen Anzahl von Positionen überwachen. Außerdem können sie ungewöhnliche Transaktionen, unerwartete Risiken oder Abweichungen zwischen der erklärten Strategie eines Portfolios und dessen tatsächlichem Verhalten erkennen.
Dies ist insofern nützlich, als Risiken häufig über herkömmliche Anlageklassen hinweg bestehen. Ein Portfolio kann Aktien, Anleihen und private Anlagen enthalten, die alle von niedrigen Zinsen abhängig sind. Auf dem Papier erscheinen die Vermögenswerte diversifiziert; wirtschaftlich gesehen weisen sie jedoch dieselbe Anfälligkeit auf.
KI kann auch die Szenarioanalyse verbessern, indem sie es Beratern ermöglicht, zu testen, wie Portfolios auf Inflation, fallende Aktienmärkte, Währungsschwankungen oder Veränderungen bei den Kreditspreads reagieren könnten. Diese Übungen helfen den Kunden zu verstehen, dass der Gesamtwert eines Portfolios kein vollständiges Bild des Risikos vermittelt.
Historische Modelle haben jedoch ihre Grenzen. Marktbeziehungen ändern sich, insbesondere in Krisenzeiten. Vermögenswerte, die scheinbar nur schwach miteinander korrelieren, können gemeinsam an Wert verlieren, wenn Anleger nach Liquidität suchen, während sich die Bewertungen auf dem privaten Markt möglicherweise langsamer anpassen als die öffentlichen Kurse. KI kann auf der Grundlage der verfügbaren Daten Schwachstellen aufdecken, ist jedoch nicht in der Lage, jede zukünftige Verlustquelle zu identifizieren.
Vorhersagen über Schadensfälle erfordern Skepsis
Die ehrgeizigsten Behauptungen im Zusammenhang mit KI beziehen sich auf die Prognose von Märkten und die Identifizierung von Anlagemöglichkeiten, noch bevor diese allgemein bekannt werden. Systeme des maschinellen Lernens können zwar Muster in großen Datensätzen erkennen, doch ihre Fähigkeit, Vermögenspreise zuverlässig vorherzusagen, bleibt ungewiss.
Die Finanzmärkte passen sich an. Sobald ein ausnutzbares Muster bekannt wird, reagieren die Anleger darauf und mindern so dessen Wert. Modelle können sich zudem zu eng an historische Daten anpassen und so beeindruckende Backtesting-Ergebnisse liefern, die sich unter sich ändernden Marktbedingungen jedoch nicht bewähren.
Es gibt noch ein weiteres Problem bei der Begründung. Ein komplexes System kann empfehlen, das Engagement in einem bestimmten Anlageinstrument zu reduzieren, ohne dafür einen klaren wirtschaftlichen Grund anzugeben. Dies stellt Berater vor Schwierigkeiten, da sie ihren Kunden die Entscheidungen erklären und nachweisen müssen, dass die Empfehlungen angemessen sind.
Predictive Analytics sind daher am glaubwürdigsten, wenn sie etablierte Anlageprozesse unterstützen, anstatt sie zu ersetzen. Ein System kann auf eine Veränderung der Liquidität, der Gewinnerwartungen oder der Marktpositionierung hinweisen, während das Anlageteam entscheidet, ob das Signal eine überzeugende wirtschaftliche Grundlage hat.
Kosteneinsparungen sind möglich, erfolgen jedoch nicht automatisch
KI kann den Zeitaufwand für die Portfolioberichterstattung, den Datenabgleich, die Vorbereitung von Analysen und die routinemäßige Kundenkommunikation reduzieren. Für große Unternehmen können bereits geringfügige Verbesserungen bei Tausenden von Konten zu erheblichen betrieblichen Einsparungen führen.
Die Kostenlage ist weniger eindeutig, als es das Werbematerial vermuten lässt. Vermögensverwalter müssen in saubere Daten, Cybersicherheit, Systemintegration und Mitarbeiterschulungen investieren, bevor KI-Tools zuverlässig eingesetzt werden können. Viele Unternehmen nutzen nach wie vor Technologien, die zu unterschiedlichen Zeitpunkten für separate Geschäftsbereiche entwickelt wurden, was es erschwert, einen einheitlichen Überblick über Kunden und Portfolios zu schaffen.
Externe KI-Anbieter können zwar die Entwicklungskosten senken, führen jedoch zu einer Abhängigkeit von Dritten. Unternehmen müssen wissen, wie die Modelle trainiert werden, wo Kundendaten gespeichert werden und was passiert, wenn ein Dienst nicht mehr verfügbar ist. Geringere Anschaffungskosten können langfristig zu operativen und regulatorischen Risiken führen.
Die erfolgreichsten Projekte beginnen daher mit einer klar definierten Aufgabe. Die Verkürzung der für die Erstellung eines Quartalsberichts benötigten Zeit lässt sich messen. Die Verbesserung der Anlageperformance durch KI ist hingegen ein weit gefasstes und mit größerer Unsicherheit behaftetes Ziel.
Die Aufsichtsbehörden legen den Schwerpunkt auf die Rechenschaftspflicht
Der Einsatz von KI ändert nichts an den rechtlichen Verpflichtungen von Vermögensverwaltern. Die Unternehmen bleiben weiterhin für die Eignungsprüfung, die Offenlegung, die Aufsicht und den Schutz von Kundendaten verantwortlich. Sie können diese Verantwortung nicht auf einen Softwareanbieter übertragen.
Die US-Börsenaufsichtsbehörde (SEC) ist bereits gegen Anlageberater vorgegangen, die irreführende Angaben zu ihrem Einsatz von KI gemacht hatten. Im Jahr 2024 erhob die Aufsichtsbehörde Anklage gegen zwei Berater wegen falscher oder irreführender Aussagen zu ihren angeblichen KI-Fähigkeiten, was die wachsende Besorgnis über „AI Washing“ verdeutlicht.
Auch die europäischen Aufsichtsbehörden haben ähnliche Risiken festgestellt. Die Europäische Wertpapier- und Marktaufsichtsbehörde hat vor mangelhafter Datenqualität, algorithmischen Verzerrungen, undurchsichtigen Entscheidungsprozessen, übermäßiger Abhängigkeit von automatisierten Tools und Datenschutzbedenken gewarnt. Dabei handelt es sich nicht um abstrakte Probleme. Sie haben Einfluss darauf, ob eine Empfehlung erklärt, überprüft und hinterfragt werden kann.
Unternehmen müssen daher dokumentieren, wo KI zum Einsatz kommt, welche Informationen sie verarbeitet und wer das Ergebnis genehmigt. Ein Berater kann eine ungeeignete Empfehlung nicht damit rechtfertigen, dass sie vom System generiert wurde.
Die Kommunikation mit Kunden könnte zur sichtbarsten Anwendung werden
Viele Berater verbringen viel Zeit damit, Besprechungsnotizen, Marktübersichten und Erläuterungen zur Portfolioentwicklung zu erstellen. Generative KI kann diese Arbeit unterstützen, indem sie komplexe Analysen in verständliche Kundenmitteilungen umwandelt.
Ein solches System könnte erklären, warum ein Anleihenportfolio bei steigenden Zinsen an Wert verloren hat, oder aufzeigen, wie sich Währungsschwankungen auf internationale Bestände ausgewirkt haben. Es kann zudem verschiedene Versionen derselben Analyse für Kunden mit unterschiedlichen Finanzkenntnissen erstellen.
Dies kann die Konsistenz verbessern und den Beratern den Rücken freihalten, sodass sie sich auf Gespräche statt auf Verwaltungsaufgaben konzentrieren können. Außerdem kann es Unternehmen dabei helfen, in volatilen Märkten häufiger zu kommunizieren – gerade dann, wenn Kunden Beruhigung und klare Informationen benötigen.
Die Risiken sind nach wie vor erheblich. Generierte Kommentare können sachliche Fehler enthalten, Vorbehalte auslassen oder eine Formulierung verwenden, die eine übermäßige Gewissheit suggeriert. Jede wesentliche Mitteilung sollte daher von einer qualifizierten Person überprüft werden, insbesondere wenn sie sich auf die Wertentwicklung, Risiken oder Anlageempfehlungen bezieht.
Cybersicherheit wird Teil des Anlageprozesses
Vermögensverwalter verfügen über sensible Informationen zu Kundenvermögen, Familienverhältnissen, geschäftlichen Interessen und Finanzplänen. KI-Systeme benötigen häufig umfassenden Zugriff auf diese Daten, was die potenziellen Folgen einer Sicherheitsverletzung verstärkt.
Unternehmen müssen klären, ob externe Anbieter Kundendaten speichern oder diese zum Trainieren ihrer Modelle verwenden. Außerdem müssen sie kontrollieren, welche Mitarbeiter Dokumente hochladen dürfen, und sicherstellen, dass vertrauliche Informationen nicht ohne Genehmigung in öffentliche Anwendungen eingegeben werden.
Künstliche Intelligenz kann die Sicherheit durch die Erkennung ungewöhnlicher Aktivitäten verbessern, ermöglicht aber auch raffiniertere Angriffe. Betrügerische E-Mails, nachgebildete Stimmen und überzeugende Dokumente lassen sich schnell erstellen und dazu nutzen, sich als Kunden oder Berater auszugeben.
Die Zahlungsüberprüfung und die Identitätsprüfungen müssen daher strenger gestaltet werden. Eine vertraute Stimme oder ein vertrauter Schreibstil können nicht länger als ausreichender Beweis für die Echtheit eines Auftrags angesehen werden.
Berater brauchen neue Kompetenzen statt nur Ersatz
KI wird die Beratungsarbeit eher verändern als abschaffen. Die Mitarbeiter werden weniger Zeit mit der Sammlung und Aufbereitung von Informationen verbringen, während der Schwerpunkt verstärkt auf Interpretation, Beurteilung und Kommunikation liegen wird.
Berater müssen die Stärken und Grenzen der von ihnen verwendeten Systeme verstehen. Sie müssen zwar keine Softwareentwickler werden, sollten aber in der Lage sein, unzuverlässige Ergebnisse zu erkennen, Annahmen zu hinterfragen und zu erklären, wie eine Empfehlung zustande gekommen ist.
In Stressphasen kommt dem Menschen eine besonders wichtige Rolle zu. Ein Modell empfiehlt möglicherweise den Verkauf von Vermögenswerten, um die Zielallokation wiederherzustellen, während ein Berater erkennen könnte, dass der Kunde emotional reagiert und ein umfassenderes Gespräch über seine langfristigen Ziele benötigt.
Vertrauen spielt nach wie vor eine zentrale Rolle in der Vermögensverwaltung. Technologie kann zwar die Qualität und Geschwindigkeit der Beratung verbessern, doch erwarten die Kunden weiterhin, dass eine Person die Verantwortung für schwierige Entscheidungen übernimmt.
Praktische Schwerpunkte für Vermögensverwalter
Unternehmen, die den Einsatz von KI-gestützten Analysen im Vermögensmanagement in Betracht ziehen, sollten zunächst auf operative Disziplin setzen statt auf ehrgeizige Prognosen.
- Die zugrunde liegenden Daten verbessern. Kunden-, Portfolio- und Transaktionsdaten müssen konsistent sein, damit fortgeschrittene Analysen zuverlässige Ergebnisse liefern können.
- Wählen Sie zunächst einen begrenzten Anwendungsbereich aus. Die Prüfung von Unterlagen, die Erstellung von Berichten und die Risikoüberwachung liefern aussagekräftigere Wertmaßstäbe als die autonome Portfolioauswahl.
- Legen Sie die Punkte fest, an denen eine menschliche Überprüfung erforderlich ist. Materialempfehlungen, die Kommunikation mit Kunden und Transaktionen sollten weiterhin einer Überprüfung durch namentlich benannte Fachleute unterliegen.
- Prüfen Sie Anbieter sorgfältig. Unternehmen sollten wissen, wo Daten verarbeitet werden, wie Modelle gesteuert werden und welche Schutzmaßnahmen bestehen, falls ein Anbieter ausfällt.
- Messen Sie eher die Ergebnisse als die Aktivitäten. Die Anzahl der eingesetzten KI-Tools ist weniger wichtig als die Frage, ob sie Fehler reduzieren, Zeit sparen oder das Verständnis für die Kundenbedürfnisse verbessern.
- Schulen Sie die Mitarbeiter darin, Ergebnisse kritisch zu hinterfragen. Das Personal sollte Halluzinationen, Voreingenommenheit, veraltete Informationen und Empfehlungen, die nicht durch wirtschaftliche Überlegungen gestützt sind, erkennen.
- Vermeiden Sie werbliche Aussagen. Unternehmen sollten den Einsatz von KI genau beschreiben und den Eindruck vermeiden, dass diese Technologie überdurchschnittliche Renditen garantieren könne.
Die nächste Phase wird ruhiger und stärker integriert sein
In den nächsten drei bis fünf Jahren dürfte KI eher zu einem festen Bestandteil der Infrastruktur der Vermögensverwaltung werden als zu einem eigenständigen Produkt. Sie wird in die Berichterstattung, die Risikoanalyse, die Kundenbetreuung, die Compliance und die Portfolioverwaltung integriert werden.
Die größten Fortschritte werden wahrscheinlich eher im Bereich der Integration als bei der Prognose erzielt werden. Die Systeme werden Daten mehrerer Banken zusammenführen, einen Liquiditätsbedarf ermitteln, eine Portfolioanalyse erstellen und diese zur Genehmigung an einen Berater weiterleiten. Der Prozess mag weniger spektakulär erscheinen als eine autonome Anlage-Engine, löst jedoch echte operative Probleme.
PwC schätzt, dass eine breite Einführung von KI in den nächsten zehn Jahren zu einer erheblichen Steigerung der weltweiten Wirtschaftsleistung führen könnte. Diese Prognose spiegelt die potenziellen Auswirkungen auf zahlreiche Branchen wider und sollte nicht als Vorhersage für Renditen im Vermögensverwaltungsbereich interpretiert werden. In der Finanzberatung werden die Vorteile davon abhängen, ob Unternehmen KI nutzen, um konkrete Entscheidungen zu verbessern, anstatt den Begriff lediglich auf bereits vorhandene Technologien anzuwenden.
KI-gestützte Analysen im Vermögensmanagement können Beratungsunternehmen schneller, fundierter und reaktionsfähiger machen. Sie können jedoch weder die Unsicherheit an den Märkten beseitigen noch die Verantwortung für die Ergebnisse der Kunden ersetzen. Am meisten profitieren werden jene Unternehmen, die KI als diszipliniertes Analyseinstrument betrachten, das auf fundierten Daten und professionellem Urteilsvermögen basiert, und nicht als Quelle für automatische Anlageinformationen.
