Weltweiter Boom bei KI-gestützten Analysen im Vermögensmanagement

Künstliche Intelligenz wird zunehmend zu einem Bestandteil der analytischen Infrastruktur der Vermögensverwaltung. Unternehmen nutzen sie, um mehr Informationen zu verarbeiten, Portfolios zu überwachen und Empfehlungen individuell auf einzelne Kunden zuzuschneiden. PwC erwartet, dass die Nutzung von KI im Finanzdienstleistungssektor jährlich um 30% zunehmen wird. Der Erfolg der Technologie hängt jedoch weniger von der Rechenleistung als vielmehr von der Qualität der Daten, den Kontrollmechanismen und dem fachlichen Urteilsvermögen ab, die damit einhergehen.

In der Vermögensverwaltung wurden traditionell historische Marktdaten mit der Erfahrung von Beratern und Portfoliomanagern kombiniert. Dieses Modell ist nach wie vor relevant, wird jedoch durch die Menge und Geschwindigkeit der heute verfügbaren Informationen an seine Grenzen gebracht.

Anlageteams müssen Wirtschaftsindikatoren, Unternehmensveröffentlichungen, Marktkurse, politische Entwicklungen und Veränderungen in den Kundenportfolios im Blick behalten. Kein einzelner Analyst kann jedes relevante Signal in Echtzeit prüfen.

KI-Systeme versprechen, diese Lücke zu schließen. Modelle des maschinellen Lernens können große Datensätze verarbeiten, ungewöhnliche Muster erkennen und Bewertungen aktualisieren, sobald neue Informationen vorliegen. Tools zur Verarbeitung natürlicher Sprache können Unternehmensberichte, Medienberichte und Forschungsergebnisse auswerten, was zuvor eine umfangreiche manuelle Überprüfung erfordert hätte.

Das Ergebnis ist keine Gewissheit. Es ist eine umfassendere und schnellere Grundlage für Entscheidungen.

Von der historischen Analyse bis zur kontinuierlichen Überwachung

Die traditionelle Portfolioanalyse erfolgt oft rückblickend. Portfoliomanager untersuchen vergangene Renditen, Korrelationen und Volatilität, um zu verstehen, wie sich Anlagen unter verschiedenen Bedingungen verhalten könnten.

KI kann diesen Prozess erweitern, indem sie historische Informationen mit aktuellen Marktdaten kombiniert. Portfolios können kontinuierlich überwacht werden, anstatt nur im Rahmen planmäßiger Überprüfungen bewertet zu werden.

Auf diese Weise können Unternehmen sich abzeichnende Konzentrationen oder Veränderungen im Risikoprofil erkennen. Anlagen, die nach Anlageklassen betrachtet diversifiziert erscheinen, können beispielsweise von demselben Zinsumfeld, Rohstoffpreis oder geografischen Markt abhängig sein.

Modelle des maschinellen Lernens können solche Zusammenhänge über Tausende von Positionen hinweg erkennen. Sie können Managern zudem dabei helfen, zu prüfen, wie Portfolios auf Inflation, Währungsschwankungen oder eine Verschlechterung der Marktliquidität reagieren könnten.

Diese Fähigkeiten sind zwar wertvoll, sollten jedoch nicht mit zuverlässigen Prognosen verwechselt werden. Finanzmärkte werden durch menschliches Verhalten, politische Entscheidungen und unerwartete Ereignisse beeinflusst. Modelle, die auf der Grundlage früherer Bedingungen trainiert wurden, können unter Umständen schlechte Ergebnisse liefern, wenn sich diese Bedingungen ändern.

KI kann mögliche Ergebnisse schneller berechnen. Die damit verbundene Unsicherheit kann sie jedoch nicht beseitigen.

BlackRock zeigt, wie wertvoll Integration ist

BlackRock wird häufig als Beispiel für eine technologiegetriebene Vermögensverwaltung angeführt. Die Aladdin-Plattform des Unternehmens vereint Portfoliodaten, Risikoanalysen, Handels- und operative Funktionen unter einem Dach.

Die Bedeutung der Plattform liegt nicht in einem einzelnen Prognosealgorithmus, sondern in ihrer Fähigkeit, einen einheitlichen Überblick über die Anlageengagements zu schaffen. Portfoliomanager können Risiken über verschiedene Anlageklassen hinweg analysieren, Szenarien durchspielen und beobachten, wie sich Marktbewegungen auf verschiedene Positionen auswirken.

Maschinelles Lernen kann diese Funktionen stärken, indem es Muster oder Anomalien erkennt, die bei herkömmlichen Analysen möglicherweise übersehen werden.

Das System verdeutlicht zudem den Vorteil, den große Institutionen genießen. BlackRock kann auf umfangreiche Datenbestände, Spezialistenteams und erhebliche Investitionen in Technologie zurückgreifen. Kleinere Vermögensverwalter werden wahrscheinlich keine vergleichbare Infrastruktur intern aufbauen können.

Stattdessen greifen sie möglicherweise auf externe Plattformen zurück, die KI-gestützte Portfolioanalysen, Compliance-Tools und Kundenberichte anbieten. Dadurch erhalten kleinere Unternehmen Zugang zu anspruchsvolleren Funktionen, werden jedoch auch stärker von Drittanbietern abhängig.

Die strategische Frage lautet daher nicht nur, ob ein Unternehmen KI einsetzt, sondern auch, wer die Kontrolle über die Technologie und die Daten hat, auf denen sie basiert.

Robo-Advisor haben den Markt erweitert

Robo-Advisor gehörten zu den ersten sichtbaren Anwendungen automatisierter Analysen in der Vermögensverwaltung.

Unternehmen wie Betterment und Wealthfront nutzten digitale Fragebögen und algorithmische Modelle, um diversifizierte Portfolios zusammenzustellen, Anlagen neu auszurichten und steuerliche Transaktionen abzuwickeln. Ihre Dienstleistungen konnten kostengünstiger erbracht werden als herkömmliche Beratungsbeziehungen.

Das Modell ermöglichte auch Kunden mit geringeren Anlagebeträgen die Portfolioverwaltung. Zudem setzte es Maßstäbe hinsichtlich einer schnellen Kontoeröffnung, transparenter Gebühren und eines kontinuierlichen digitalen Zugangs.

Die nächste Generation der KI-gestützten Beratung dürfte komplexer ausfallen. Anstatt Kunden in allgemeine Risikokategorien einzuordnen, könnten die Systeme Faktoren wie Einkommen, Ausgaben, Liquiditätsbedarf, steuerliche Verhältnisse und langfristige finanzielle Verpflichtungen berücksichtigen.

Dies eröffnet die Möglichkeit, individuellere Strategien zu entwickeln. Es erfordert jedoch auch mehr personenbezogene Daten und eine differenziertere Beurteilung.

Ein Portfolio, das genau auf unvollständige oder ungenaue Informationen zugeschnitten ist, ist nicht wirklich personalisiert. Es ist lediglich mit größerer Sicherheit falsch.

Kosteneinsparungen ziehen Institutionen an

Deloitte schätzt, dass KI-gestützte Analysen die Betriebskosten bei einigen Unternehmen um bis zu 30% gesenkt haben.

Die Einsparungen ergeben sich aus verschiedenen Quellen. Systeme können die Datenerfassung, die Portfolioberichterstattung und die Dokumentenprüfung automatisieren. Anlageteams können ein breiteres Spektrum an Vermögenswerten prüfen, ohne den Personalbestand im gleichen Maße aufstocken zu müssen. Berater können weniger Zeit für die Erstellung routinemäßiger Analysen aufwenden.

Das bedeutet jedoch nicht, dass die Einführung von KI kostengünstig ist.

Finanzinstitute müssen in Dateninfrastruktur, Systemintegration, Cybersicherheit und Mitarbeiterschulungen investieren. Modelle müssen getestet und kontinuierlich überwacht werden. Externe Technologieanbieter bringen Lizenzgebühren und betriebliche Abhängigkeiten mit sich.

Die Wirtschaftlichkeit ist am größten, wenn KI repetitive Aufgaben übernimmt oder einen Prozess verbessert, für den bereits zuverlässige Daten vorliegen. Sie ist geringer, wenn Unternehmen versuchen, fortschrittliche Analysen auf fragmentierte Systeme und inkonsistente Datensätze anzuwenden.

Technologie beseitigt die Komplexität von Betriebsabläufen nicht allein dadurch, dass sie mit diesen vernetzt ist.

Der Markt wächst rasant

Der weltweite Markt für KI im Finanzdienstleistungssektor sollte bis 2024 voraussichtlich ein Volumen von $26,67 Milliarden erreichen. Rund 70% der Finanzinstitute hatten entweder bereits KI-Lösungen implementiert oder planten dies.

Diese Zahlen spiegeln ein breites Interesse wider, doch der Begriff „Akzeptanz“ kann vieles bedeuten.

Ein Unternehmen nutzt KI möglicherweise zur Klassifizierung von Dokumenten. Ein anderes setzt sie vielleicht zur Betrugsaufdeckung, zur Kundensegmentierung oder zum Portfolioaufbau ein. Sowohl ein Pilotprojekt als auch ein vollständig integriertes Analysesystem gelten als Einsatz von KI, auch wenn ihre Auswirkungen auf das Geschäft sehr unterschiedlich sind.

Eine sinnvollere Unterscheidung ist die zwischen Experimentieren und dem Einsatz im operativen Betrieb.

KI gewinnt erst dann strategische Bedeutung, wenn sie in die täglichen Entscheidungsprozesse integriert wird, auf zuverlässigen Daten basiert und von den Mitarbeitern verstanden wird, die sie nutzen sollen.

Viele Finanzunternehmen befinden sich nach wie vor in einer Zwischenphase. Sie haben zwar entsprechende Tools angeschafft, ihre Prozesse jedoch noch nicht entsprechend umgestaltet.

Die Betrugsaufdeckung liefert klarere Beweise

KI hat sich bereits bei der Erkennung verdächtiger Aktivitäten als nützlich erwiesen. Die Systeme können große Mengen an Transaktionen auswerten, ungewöhnliche Muster erkennen und das Verhalten verschiedener Konten miteinander vergleichen.

Einige Vermögensverwaltungsgesellschaften melden Verbesserungen der Betrugserkennungsraten um bis zu 50%.

Die Technologie kann Institutionen dabei helfen, Veränderungen zu erkennen, die herkömmliche Regeln möglicherweise übersehen. Eine Transaktion mag für sich genommen legitim erscheinen, wird jedoch im Vergleich zu den früheren Aktivitäten eines Kunden oder im Kontext seines gesamten Netzwerks verdächtig.

Falsch-positive Ergebnisse stellen nach wie vor eine Herausforderung dar. Eine ungewöhnliche Transaktion ist nicht zwangsläufig betrügerisch, insbesondere im Bereich der privaten Vermögensverwaltung, wo Kunden große Beträge zwischen Unternehmen, Trusts und Rechtsräumen hin- und herbewegen können.

Automatisierte Systeme müssen daher zwischen Vorgängen, die schnell abgewickelt werden können, und Fällen, die eine manuelle Prüfung erfordern, unterscheiden.

Das Ziel sollte nicht darin bestehen, die menschliche Überprüfung abzuschaffen. Vielmehr sollte es darum gehen, sie intelligenter zu steuern.

Personalisierung lotet die Grenzen der Daten aus

KI-gestützte Empfehlungen werden mit einer Steigerung der Kundenzufriedenheit um bis zu 40% in Verbindung gebracht.

Relevantere Beratung kann die Kundenbeziehung stärken. Ein Berater, der die Liquiditätsbedürfnisse, das Risikoengagement und die finanziellen Ziele eines Kunden versteht, kann einen Service anbieten, der individueller wirkt als ein Standard-Modellportfolio.

KI kann dabei helfen, indem sie Informationen zusammenführt und Veränderungen erkennt, die andernfalls möglicherweise unbemerkt blieben.

Ein System könnte darauf hinweisen, dass die Barreserven eines Kunden unter ein vereinbartes Niveau gefallen sind, dass ein Portfolio zu stark konzentriert ist oder dass eine anstehende finanzielle Verpflichtung eine Änderung der Vermögensallokation erforderlich macht.

Je persönlicher die Analyse wird, desto aussagekräftiger wird sie.

Unternehmen benötigen klare Regeln darüber, welche Daten erhoben werden dürfen und wie sie verwendet werden dürfen. Kunden sollten wissen, ob Empfehlungen auf Informationen basieren, die sie direkt bereitgestellt haben, auf beobachtetem Verhalten oder auf Annahmen, die von einem Modell abgeleitet wurden.

Personalisierung ohne Transparenz kann weniger als Service und eher als Überwachung empfunden werden.

Berater benötigen eine andere Art von Fachwissen

KI verändert die Erwartungen an Vermögensverwalter.

Analysten müssen verstehen, wie Modelle zu ihren Schlussfolgerungen gelangen und wo ihre Grenzen liegen. Berater müssen in der Lage sein, automatisierte Ergebnisse in Empfehlungen umzusetzen, die für die Kunden nachvollziehbar sind.

Das bedeutet nicht, dass jeder Berater zum Datenwissenschaftler werden muss. Es erfordert jedoch genügend technisches Wissen, um ein Ergebnis zu hinterfragen, anstatt es einfach hinzunehmen.

Die Rolle des Menschen gewinnt besonders dann an Bedeutung, wenn finanzielle Ziele miteinander in Konflikt stehen. Ein Kunde möchte möglicherweise gleichzeitig hohe Renditen, ein geringes Risiko, sofortige Liquidität und einen langen Anlagehorizont. Kein Modell kann diese Präferenzen in Einklang bringen, ohne Prioritäten zu setzen.

Berater müssen auch das Verhalten ihrer Kunden in volatilen Märkten im Blick behalten. Ein Algorithmus mag zwar berechnen, dass ein Portfolio weiterhin geeignet ist, doch ein verunsicherter Kunde benötigt möglicherweise dennoch ein Gespräch, bevor er seine Anlage beibehält.

Der Wert menschlicher Beratung liegt zum einen in der Interpretation der Zahlen und zum anderen darin, die Person dahinter zu verstehen.

Modelle können bestehende Schwachstellen verstärken

KI-Systeme lernen aus Daten, die durch frühere Entscheidungen generiert wurden. Wenn diese Entscheidungen Verzerrungen, unvollständige Annahmen oder fehlerhafte Klassifizierungen enthalten, kann das Modell diese in größerem Maßstab reproduzieren.

Dies ist für die Kundensegmentierung, die Eignungsprüfung und die Auswahl von Anlageprodukten von Bedeutung.

Ein System könnte zu dem Schluss kommen, dass Kunden mit ähnlichen demografischen oder finanziellen Merkmalen ähnliche Produkte wünschen. Solche Muster können statistisch plausibel sein, ohne jedoch für eine bestimmte Person geeignet zu sein.

Anlagemodelle stehen vor einem ähnlichen Problem. Historische Daten könnten Strategien begünstigen, die unter bestimmten geldpolitischen oder regulatorischen Rahmenbedingungen gute Ergebnisse erzielt haben. Ändern sich diese Rahmenbedingungen, treffen die Schlussfolgerungen möglicherweise nicht mehr zu.

Finanzinstitute müssen ihre Modelle anhand verschiedener Szenarien testen und prüfen, ob die Ergebnisse nachvollziehbar sind. Außerdem sollten sie die Leistung der Systeme nach der Einführung überwachen, anstatt davon auszugehen, dass sich die Genauigkeit von selbst verbessert.

Kontinuierliches Lernen ist nur dann sinnvoll, wenn das System aus relevanten Informationen lernt.

Die Unternehmensführung entscheidet darüber, ob Größe zu einem Risiko wird

Da KI immer mehr an Einfluss gewinnt, müssen Institutionen klare Verantwortlichkeiten für deren Einsatz festlegen.

Anlageausschüsse sollten wissen, welche Entscheidungen durch KI unterstützt und welche automatisiert werden. Compliance-Teams benötigen Einblick in die Logik hinter der Einstufung von Kunden und Risikowarnungen. Die Geschäftsleitung muss wissen, in welchen Bereichen externe Anbieter beteiligt sind.

Ethische Leitlinien allein reichen nicht aus. Eine gute Unternehmensführung erfordert praktische Kontrollmechanismen.

Unternehmen benötigen Verfahren zur Genehmigung von Modellen, zur Überprüfung von Daten, zur Erfassung von Änderungen und zum Eingreifen, wenn sich ein System unerwartet verhält. Die Mitarbeiter sollten wissen, wann ein automatisiertes Ergebnis außer Kraft gesetzt werden darf und wie diese Entscheidung zu dokumentieren ist.

Die Kunden müssen zudem die Möglichkeit haben, Entscheidungen, die sie betreffen, anzufechten.

Ein Institut kann seine treuhänderische oder aufsichtsrechtliche Verantwortung nicht auf einen Algorithmus übertragen. Das Unternehmen bleibt rechenschaftspflichtig, auch wenn die Technologie von einem Dritten bereitgestellt wird.

Daten werden zum zentralen Wettbewerbsvorteil

Finanzinstitute bezeichnen KI-Modelle häufig als Quelle für Wettbewerbsvorteile. In der Praxis haben jedoch viele Unternehmen Zugang zu ähnlichen Technologien.

Der nachhaltigere Vorteil dürfte sich aus den Daten ergeben.

Ein Vermögensverwalter, der über vollständige, genaue und gut strukturierte Informationen verfügt, kann mithilfe von KI relevantere Analysen erstellen. Ein Wettbewerber mit lückenhaften Daten erhält aus demselben Modell weniger aussagekräftige Ergebnisse.

Die Datenqualität stellt im Bereich der privaten Vermögensverwaltung eine besondere Herausforderung dar. Vermögenswerte können über mehrere Banken, Unternehmen und Rechtsstrukturen verteilt sein. Private Anlagen werden nur selten bewertet. Informationen können in unterschiedlichen Formaten und Währungen vorliegen.

Bevor Unternehmen fortschrittliche Analysen bereitstellen können, müssen sie das grundlegende Problem lösen, einen einheitlichen Überblick über das Kundenvermögen zu schaffen.

Diese Arbeit ist weniger auffällig als die Einführung eines KI-Assistenten. Sie ist aber auch wichtiger.

Der Wert mag zwar hoch sein, ist aber ungleichmäßig verteilt.

McKinsey schätzt, dass KI bis 2028 einen Mehrwert von bis zu $1 Billionen für den globalen Bankensektor generieren könnte.

Dieser Wert wird nicht gleichmäßig verteilt sein. Große Institutionen können massiv in eigene Systeme, Daten und Fachkräfte investieren. Kleinere Unternehmen können zwar von kostengünstigeren externen Plattformen profitieren, haben jedoch weniger Kontrolle über ihre technologische Infrastruktur.

Ein Teil der Gewinne wird sich in Form niedrigerer Betriebskosten niederschlagen. Andere Vorteile könnten sich aus einem besseren Risikomanagement, einer verbesserten Betrugsaufdeckung oder der Möglichkeit ergeben, Kunden zu bedienen, deren Betreuung bisher unrentabel war.

Es wird auch Fehlinvestitionen geben. Unternehmen erwerben möglicherweise Tools, die von den Mitarbeitern nicht genutzt werden, Systeme, die sich nicht integrieren lassen, oder Modelle, deren Ergebnisse sich für weitreichende Entscheidungen als zu unzuverlässig erweisen.

Ausgaben für KI sollten daher wie jede andere Investition bewertet werden. Institutionen benötigen ein klar definiertes Problem, messbare Ergebnisse und einen glaubwürdigen Umsetzungsplan.

Die bloße Tatsache, dass KI zum Einsatz kommt, ist noch kein Beweis für Innovation.

Bessere Analysen erfordern wiederum bessere Entscheidungen

KI wird sich im globalen Vermögensmanagement weiter verbreiten. Maschinelles Lernen, natürliche Sprachverarbeitung und Echtzeit-Datenanalyse werden zu Standardfunktionen von Anlageplattformen werden.

In diesem Zuge wird die Technologie selbst an Besonderheit verlieren.

Die stärksten Unternehmen werden diejenigen sein, die analytische Schnelligkeit mit disziplinierter Unternehmensführung und fundiertem Urteilsvermögen verbinden. Sie werden KI nutzen, um Risiken zu erkennen, Informationen zu strukturieren und Annahmen zu hinterfragen, anstatt deren Ergebnisse als Anweisungen zu betrachten.

Den Kunden ist es wahrscheinlich egal, welcher Algorithmus hinter ihrem Portfolio steckt. Ihnen ist wichtig, dass ihr Berater ihre Situation versteht, ihre Daten schützt und Entscheidungen trifft, die sich erklären lassen.

KI kann die Vermögensverwaltung effizienter und reaktionsfähiger machen. Sie kann den Zugang zu anspruchsvollen Analysen erweitern und Anlageexperten einen klareren Überblick über komplexe Portfolios verschaffen.

Es kann nicht festlegen, wozu Vermögen dient, welche Risiken eine Familie eingehen sollte oder wie konkurrierende finanzielle Prioritäten miteinander in Einklang gebracht werden sollten.

Diese Fragen bleiben menschlich. Bessere Technologie ist nur dann von Bedeutung, wenn sie dazu beiträgt, diese Fragen intelligenter zu beantworten.