Asset Management · Echte KI-Use-Cases von Vendor-Theater unterscheiden

Eine Fonds-COO sitzt in einer Vendor-Demo für eine „KI-gestützte Distribution Engine". Die Slides zeigen ein Diagramm eines neuronalen Netzes, das Wort „proprietär" fällt elf Mal, und die Jahreslizenz kostet 400.000 Dollar. Als sie fragt, was das Modell vorhersagt, lautet die Antwort: „welche Advisors im nächsten Quartal am wahrscheinlichsten in Ihre Fonds allokieren." Als sie fragt, wie das gemessen wird, wird es still im Raum.

Diese Stille ist die ganze Lektion. Die meiste „KI", die Asset Managern angeboten wird, ist entweder (a) ein lineares Ranking, das ein Spreadsheet auch hinbekommt, oder (b) ein echtes Machine-Learning-Problem, das so dick verpackt ist, dass man nicht erkennen kann, ob es funktioniert. Ihre Aufgabe ist, beides auseinanderzuhalten, bevor Sie unterschreiben.

Erste Frage: braucht dieses Problem überhaupt Machine Learning?

Machine Learning (ML) zahlt sich aus, wenn drei Bedingungen gleichzeitig erfüllt sind:

Das Muster ist real, aber zu komplex für handgeschriebene Regeln. Denken Sie an unstrukturierten Text, Bilder oder tausende interagierende Variablen.
Sie haben genügend gelabelte Beispiele, aus denen gelernt werden kann. Labels sind die „richtigen Antworten", mit denen das Modell trainiert wird.
Die Prognose verändert eine Entscheidung. Wenn der Output nichts daran ändert, was jemand tut, ist es ein Dashboard und kein Use Case.

Schicken Sie jede Vendor-Behauptung durch dieses Raster. Ein Tool, das 12.000 Financial Advisors nach Allokationsneigung bewertet, basierend auf früheren Käufen, Fondsflüssen und Web-Engagement? Plausibel ML-würdig: viele Variablen, echte historische Labels (sie haben gekauft oder nicht), und es verändert den Kalender Ihres Sales-Teams.

Ein Tool, das „Advisors markiert, die im letzten Quartal mehr als 20 % zurückgegeben haben"? Das ist eine Regel. Das KI zu nennen ist Theater.

Die Checkliste

Drucken Sie das aus und halten Sie es in der nächsten Demo hoch.

Was ist die exakte Prognose oder der exakte Output? (Nicht „Insights". Eine Zahl, eine Klasse, ein Ranking.)
Welche Entscheidung verändert das, und wer handelt danach?
Was ist das Label? Wie hat das Modell gelernt, wie „gut" aussieht?
Was ist die Baseline? Was würde eine einfache Regel oder ein menschlicher Analyst erreichen? Ein Modell, das nichts schlägt, ist nichts wert.
Wie wird Accuracy gemessen, und zwar auf Daten, die das Modell nie gesehen hat? (Out-of-Sample-Test.)
Was passiert, wenn es falsch liegt? Kosten eines False Positive gegenüber einem False Negative.
Kann der Vendor Performance auf IHREN Daten zeigen, nicht auf einer Case Study?

Wenn ein Vendor die ersten vier nicht in klaren Worten beantworten kann, brechen Sie ab.

Zwei konkrete Beispiele aus der Wertschöpfungskette im Asset Management

Beispiel 1: das NLP-Tool für Earnings Calls

Natural Language Processing (NLP) ist der Bereich der KI, der Text liest. Ein verbreiteter Pitch: ein Tool, das Earnings Calls transkribiert und dann „Sentiment" und „Management Tone" extrahiert, um Ihre Equity-Analysten zu versorgen.

Braucht das ML? Tausende Transkripte auf subtile Tonverschiebungen zu lesen, ist mit Regeln wirklich schwer. Also ja, die *Kategorie* ist legitim. Large Language Models (LLMs, die Technologie hinter Tools wie ChatGPT) sind inzwischen gut darin, Transkripte zusammenzufassen und daraus zu extrahieren.

Aber prüfen Sie es unter Stress:

Label-Problem. „Positives Sentiment" ist kein Fakt, es ist eine Einschätzung. Womit hat der Vendor trainiert? Wenn generisches Sentiment aus Finanznachrichten gescrapt wurde, lässt sich das vielleicht nicht darauf abbilden, ob eine Aktie outperformt.
Die Alpha-Frage. Wäre das Signal zuverlässig und billig, wäre es längst wegarbitriert. Fragen Sie: ist das ein Tool für Research-Produktivität (gesparte Analystenstunden) oder ein Tool zur Alpha-Generierung (Renditeprognose)? Das sind völlig unterschiedliche Wertversprechen. Das erste ist belastbar. Das zweite verlangt Out-of-Sample-Nachweise über verschiedene Marktregime.

Eine nützliche, ehrliche Version dieses Tools sagt: „Wir haben die Transkript-Durchsicht von 40 Minuten auf 5 reduziert, und wir bringen jede Erwähnung von Guidance-Änderungen an die Oberfläche." Das ist echter ROI, den Sie in Analystenstunden messen können. Die unehrliche Version sagt „unser Sentiment-Score prognostiziert Alpha" mit einem Backtest über 18 Monate Bullenmarkt.

Für Grundlagen dazu, wie LLMs Text tatsächlich verarbeiten: der Google Machine Learning Crash Course ist kostenlos und erfrischend jargonarm.

Beispiel 2: die KI-Distribution-Engine

Zurück zu unserer COO. Die Distribution Engine rankt Advisors und Finanzintermediäre nach Allokationswahrscheinlichkeit. Testen wir das mit einem durchgerechneten Beispiel.

Angenommen, der Vendor behauptet, sein Modell identifiziere die „oberen 20 %" der Advisors, die 80 % der Zuflüsse des nächsten Quartals treiben. Sie müssen das mit einer Baseline vergleichen: Advisors einfach nach ihrem historischen Kaufvolumen zu ranken.

So etwa sollte die Prüfung aussehen, die Ihr Data-Team durchführt.

python

# Compare AI model vs simple baseline on last quarter's ACTUAL outcomes
# "converted" = advisor allocated to our funds this quarter (the label)

from sklearn.metrics import precision_score

# Top 20% flagged by the vendor model
ai_precision = precision_score(actual_converted, ai_top20_flag)

# Top 20% flagged by simply sorting on past 12-month purchase volume
baseline_precision = precision_score(actual_converted, volume_top20_flag)

print(f"AI model precision:  {ai_precision:.2f}")
print(f"Baseline precision:  {baseline_precision:.2f}")

Precision bedeutet hier: welcher Anteil der vom Modell markierten Advisors hat tatsächlich allokiert. Wenn die KI 0,34 erreicht und die simple Volumen-Sortierung 0,31, zahlen Sie 400.000 Dollar für drei Punkte Lift, die Rauschen sein können. Wenn die KI 0,52 gegen 0,31 erreicht, dann haben Sie ein Gespräch.

Der Punkt ist nicht der Code. Der Punkt ist, dass Sie *diesen Vergleich verlangen müssen*, bevor Sie kaufen, auf Ihren eigenen historischen Daten, mit einem Holdout-Zeitraum, den der Vendor nie angefasst hat.

ROI: die Behauptung in Stunden oder Basispunkte übersetzen

Vendoren lieben vagen Nutzen. Erzwingen Sie eine Übersetzung in eine von zwei Währungen.

Gesparte Zeit. Das Earnings-Call-Tool spart 35 Minuten pro Transkript. Wenn Ihr Team 500 Calls pro Quartal abdeckt, sind das etwa 290 Analystenstunden pro Quartal. Die Vollkosten eines Analysten sind ein Input, den Ihr Haus kennt. Dieser ROI ist langweilig, messbar und meist der ehrliche Kern eines „Produktivitäts-KI"-Pitches.

Beeinflusste Flows oder Kosten. Die Distribution Engine behauptet, sie priorisiere den Sales-Einsatz neu. Der ROI-Test ist nicht „das Modell ist genau". Er lautet: fahren Sie einen kontrollierten Pilot. Geben Sie der Hälfte Ihres Sales-Teams die Rankings des Modells, die andere Hälfte arbeitet wie gewohnt, und vergleichen Sie die Zuflüsse über zwei Quartale. Das ist ein A/B-Test, und Vendoren, die sich dagegen sperren, verbergen meist etwas.

Red Flags, die auf Theater hindeuten

„Proprietärer Algorithmus" ohne Beschreibung von Inputs oder Outputs.
Nur Backtests, nie ein Live- oder Forward-Test.
Keine Erwähnung einer Baseline.
Accuracy genannt ohne Zeitraum oder Definition.
Die Demo nutzt die handverlesenen Daten des Vendors, und er sperrt sich gegen einen Pilot auf Ihren.
„KI" angewandt auf ein deterministisches Problem (Erzeugung von Fonds-Factsheets ist Templating, nicht ML).

Wissenscheck

1. Ein Vendor-Tool markiert automatisch „Advisors, die im letzten Quartal mehr als 20 % zurückgegeben haben". Warum qualifiziert sich das nicht als echter KI-Use-Case?

2. Was bedeutet es laut Lektion, wenn ein Vendor nicht beantworten kann, wie eine Prognose gemessen wird?

3. Ein Output, der historische Fondsflüsse zusammenfasst, aber nichts daran ändert, was jemand entscheidet, wird am besten wie klassifiziert?

MEHRFACHAUSWAHL

4. Wählen Sie ALLE richtigen Antworten. Welche Bedingungen müssen laut Lektion gleichzeitig erfüllt sein, damit sich Machine Learning wirklich auszahlt?

Wählen Sie alle richtigen Antworten aus.

MEHRFACHAUSWAHL

5. Wählen Sie ALLE richtigen Antworten. Welche Fragen aus der Evaluierungs-Checkliste helfen, echte KI-Use-Cases von Theater zu unterscheiden?

Wählen Sie alle richtigen Antworten aus.

Wo KI im Asset Management wirklich passt

Um die Perspektive zu behalten, hier die ehrliche Landkarte mit Stand 2026. Das sind Bereiche mit echtem, wiederholtem Einsatz, nicht Hype.

Research-Produktivität. LLM-Zusammenfassungen von Filings, Transkripten und Broker Notes. Hohe Adoption, klarer ROI über gesparte Zeit. Hier sitzt derzeit der größte Teil des echten Werts.
Client- und Distribution-Operations. Chat-Assistenten für Advisor-Anfragen, automatisierte Meeting-Notizen, Next-Best-Action-Ranking. Real, verlangt aber den oben beschriebenen Baseline-Test.
Compliance und Surveillance. NLP-Screening von Kommunikation auf Marktmissbrauchs-Flags unter Regimen wie der EU-Marktmissbrauchsverordnung (MAR) und den Regeln der US-FINRA (Financial Industry Regulatory Authority). ML schlägt hier tatsächlich Keyword-Regeln, weil es Umformulierungen erkennt.
Quantitative Signalgenerierung. ML in systematischen Strategien ist real, aber schwer, und dominiert von Häusern mit tiefem Data Engineering. Das kauft man nicht von einem Slide.

Beachten Sie das Muster: der stärkste ROI liegt in Kosten- und Zeitreduktion, nicht in magischem Alpha. Seien Sie in dem Maß misstrauisch, in dem ein Vendor Rendite versprich.

Auch Regulatoren schauen hin. Der EU-AI Act (in gestuftem Inkrafttreten bis 2026 und darüber hinaus) könnte manche kundennahe oder kreditbezogene KI als höheres Risiko einstufen, mit Dokumentations- und Aufsichtspflichten. In den USA hat die SEC „AI Washing" ins Visier genommen, also das Übertreiben von KI-Fähigkeiten im Marketing. Ein Vendor, der sein Modell nicht erklären kann, ist für Sie auch ein Compliance-Risiko.

Wichtigste Erkenntnisse

Beginnen Sie mit dem Notwendigkeitstest, nicht mit der Demo. Wenn eine handgeschriebene Regel oder ein Spreadsheet 90 % des Nutzens bringt, ist es kein KI-Use-Case.
Verlangen Sie drei Dinge in klaren Worten: den exakten Output, das Label, aus dem gelernt wurde, und die Baseline, die geschlagen wird. Keine Antworten, kein Kauf.
Bestehen Sie auf Out-of-Sample- oder Live-Pilot-Evidenz auf Ihren eigenen Daten. Backtests über einen einzigen Bullenmarkt beweisen nichts.
Übersetzen Sie jede Behauptung in gesparte Stunden oder einen messbaren Effekt auf Flows/Kosten, und fahren Sie einen A/B-Pilot, bevor Sie skalieren.
Trauen Sie Produktivitätsversprechen mehr als Alpha-Versprechen. Echter KI-Wert im Asset Management besteht heute überwiegend darin, die gleiche Arbeit schneller zu machen, nicht darin, Renditen herbeizuzaubern.

Zurück

KI entlang der Wertschöpfungskette im Asset Management

Weiter

Proof-of-Concepts mit KI-Anbietern bewerten und durchführen