+150 XP

Beratung personalisieren mit Robo- und LLM-Copilots

# Beratung personalisieren mit Robo- und LLM-Copilots

Eine Kundin öffnet um 23 Uhr ihre Banking-App und tippt: „Ich habe 40.000 $ Bonus bekommen. Soll ich meine Hypothek abbezahlen oder ins Portfolio investieren?“ Die App antwortet in Sekunden, mit Bezug auf ihre Ziele, ihren Steuersatz und ihre bestehenden Positionen. Das ist das Versprechen des AI Wealth Copilot. Die Gefahr: Dasselbe System erfindet bei derselben Frage einer anderen Person mit voller Überzeugung einen Fonds, der nicht existiert.

Diese Lektion zeigt Ihnen, wie Sie einen Copilot für personalisierte, zielbasierte Beratung aufbauen und wo er versagt.

Vom Robo Advisor zum LLM-Copilot

Ein Robo Advisor ist eine automatisierte Plattform, die ein Portfolio nach Regeln aufbaut und rebalanciert, meist auf Basis eines kurzen Risiko-Fragebogens. Denken Sie an Betterment oder Wealthfront: Sie beantworten Fragen, Sie erhalten ein Modellportfolio, die Software hält es auf Kurs.

Ein LLM-Copilot setzt ein Large Language Model obendrauf (ein auf Text trainiertes System, das sich unterhalten und über Dokumente hinweg schlussfolgern kann). Statt eines statischen Fragebogens spricht der Kunde. Der Copilot erklärt das Warum, entwirft einen Plan und beantwortet Rückfragen.

Beide ergänzen sich. Die Robo-Engine rechnet und führt Trades aus. Das LLM übernimmt Gespräch, Erklärung und Nuancen. Halten Sie diese Aufgaben getrennt. Das ist die wichtigste Design-Entscheidung dieser Lektion.

Warum die Trennung zählt

LLMs sind gut in Sprache und schlecht in Arithmetik, die man nicht sehen kann. Wenn Sie ein LLM bitten, „auf 60/40 zu rebalancieren“, liefert es möglicherweise plausibel aussehende Allokationen, die sich nicht korrekt summieren oder Tax Lots ignorieren.

Die Architektur sieht also so aus:

  • Deterministische Engine: Risiko-Scoring, Allokationsziele, Drift-Berechnung, Tax-Lot-Auswahl, Trade-Generierung. Auditierbare Regeln.
  • LLM-Layer: Intake-Gespräch, Erklärung, Szenario-Framing, Nudges. Niemals die endgültige Quelle einer Zahl.

Das LLM schlägt eine Absicht vor. Die Engine entscheidet und führt aus.

Zielbasierte Beratung, persönlich gemacht

Goals-based Investing organisiert Geld um konkrete Ziele (Ruhestand, Eigenkapital für ein Haus, Studiengebühren eines Kindes) statt um eine einzige gemischte „Risikotoleranz“. Jedes Ziel erhält seinen eigenen Zeithorizont und sein eigenes Portfolio.

Hier wird Personalisierung konkret. Ein Copilot kann Kontext halten:

  • Ziel: Eigenkapital Hauskauf, 3 Jahre, 80.000 $ Zielsumme
  • Ziel: Ruhestand, 25 Jahre, derzeit auf Kurs
  • Restriktion: Kunde hält keine Tabak- oder Waffenwerte

Wenn der Kunde nach dem Bonus fragt, kann der Copilot über alle drei hinweg argumentieren. Das Ziel mit kurzem Horizont ist unterfinanziert, also priorisiert die deterministische Logik es. Das LLM erklärt den Tradeoff dann in klarer Sprache.

Ein konkreter Intake-Flow

Hier eine vereinfachte Struktur dafür, wie das LLM ein Profil erfasst und an die Engine übergibt. Beachten Sie: Das LLM gibt strukturierte Daten aus, keine Entscheidungen.

json
{
  "client_id": "anon_4821",
  "goals": [
    {"name": "down_payment", "horizon_years": 3, "target": 80000, "priority": "high"},
    {"name": "retirement", "horizon_years": 25, "target": null, "priority": "high"}
  ],
  "constraints": {"exclude_sectors": ["tobacco", "firearms"]},
  "risk_signals": {"stated_tolerance": "moderate", "loss_reaction": "sold_in_2022"}
}

Dieses Feld loss_reaction ist wichtig. Ein Kunde, der „moderat“ angibt, aber in einem früheren Abschwung panisch verkauft hat, zeigt ein tatsächliches Verhalten, das der genannten Antwort widerspricht. Beides zu erfassen ist bessere Personalisierung als jeder einzelne Fragebogen-Score.

Wo einheitliches Risikoprofiling versagt

Klassische Risiko-Fragebögen reduzieren einen Menschen auf eine Zahl von 1 bis 10. Das scheitert auf vorhersehbare Weise.

Kapazität versus Toleranz. Risiko*toleranz* ist, wie viel Volatilität Sie nach eigener Aussage aushalten. Risiko*kapazität* ist, wie viel Verlust Ihre Finanzen angesichts Ihrer Ziele und Zeitachse tatsächlich absorbieren können. Eine 28-Jährige mit stabilem Einkommen hat hohe Kapazität, auch wenn sie sich nervös fühlt. Ein Rentner, der Einkommen entnimmt, hat geringe Kapazität, auch wenn er Aktien liebt. Gute Copilots trennen beides.

Genannte versus gezeigte Präferenz. Menschen berichten falsch. Ein Copilot mit Transaktionshistorie sieht die Wahrheit: Haben sie im Abschwung nachgekauft oder sind sie geflohen?

Kontext-Drift. Jobverlust, ein Kind, eine Erbschaft: Das ändert alles, und ein statisches Profil bekommt es nicht mit. Ein Copilot kann nach Updates fragen, wenn er einen großen Geldzufluss erkennt.

Die Seite Investor.gov der SEC bietet verständliches Material zur Risikoeinschätzung, das sich lohnt, um zu sehen, wie Regulierer diese Konzepte für Privatanleger darstellen.

Rebalancing mit einem Copilot

Rebalancing heißt kaufen und verkaufen, um ein Portfolio auf seine Zielgewichtung zurückzuführen, nachdem die Märkte es verschoben haben. Der Wert des Copilots liegt nicht im Trade (den macht die Engine). Er liegt in Erklärung und Timing.

Gutes Copilot-Verhalten:

  • Threshold-Rebalancing: nur rebalancieren, wenn ein Asset ein Band überschreitet (zum Beispiel plus/minus 5 Prozentpunkte), was unnötige Trades reduziert.
  • Steueroptimierte Reihenfolge: In einem steuerpflichtigen Konto zuerst Verlustpositionen verkaufen, um Verluste zu realisieren, und kurzfristige Gewinne vermeiden. Das ist deterministische Logik, kein LLM-Raten.
  • Begründung in klarer Sprache: „Ihre Aktienquote ist von 60 % Ziel auf 68 % gestiegen, weil Aktien zulegten. Der Verkauf von 6.000 $ des Indexfonds bringt Sie zurück und bleibt innerhalb des Wash-Sale-Zeitfensters.“

Das Halluzinationsproblem

Eine LLM-Halluzination ist eine überzeugende, flüssige Antwort, die faktisch falsch ist. In der Vermögensverwaltung ist das keine Marotte. Es ist ein Compliance- und Haftungsfall.

Reale Fehlermodi, gegen die Sie designen müssen:

  • Erfundene Produkte: Der Copilot empfiehlt ein Fonds-Ticker, das nicht existiert, oder nennt eine falsche Kostenquote.
  • Erfundene Performance: „Dieser Fonds hat 12 % pro Jahr gebracht“, aus dem Nichts.
  • Falsche Steueraussagen: eine Beitragsgrenze oder Regel falsch angeben.
  • Beratungs-Framing: der Übergang von Information zu einer personalisierten Empfehlung, die das Unternehmen nicht abgeben darf oder will.

Guardrails, die wirklich funktionieren

Retrieval statt Gedächtnis. Nutzen Sie Retrieval-Augmented Generation (RAG): Das LLM antwortet nur aus einem kontrollierten Dokumentenbestand (Ihre freigegebene Fondsliste, aktuelle Steuertabellen, die tatsächlichen Positionen des Kunden). Es nennt die Quelle. Steht die Antwort nicht im Bestand, sagt es das.

Zahlen auf die Engine begrenzen. Jede Zahl, die einem Kunden gezeigt wird (Allokation, Prognosesaldo, Gebühr), kommt aus dem deterministischen System und wird in die Antwort eingefügt. Das LLM erzeugt niemals eine Finanzzahl freihändig.

Verweigerung und Eskalation. Für alles außerhalb des Rahmens (Nachlassplanung, konkrete Steuererklärung, Stressmärkte) gibt der Copilot an einen menschlichen Berater ab. Gestalten Sie die Übergabe, behandeln Sie sie nicht als Scheitern.

Konfidenz und Offenlegung. Kennzeichnen Sie Output klar als informativ, solange kein lizenzierter Prozess ihn als Beratung freigibt. Protokollieren Sie jede Interaktion für das Audit.

Ein schneller Guardrail-Check

python
def safe_to_show(response, approved_products, engine_numbers):
    # Jedes Ticker ablehnen, das nicht auf der Freigabeliste steht
    for ticker in response.mentioned_tickers:
        if ticker not in approved_products:
            return escalate("unapproved product mentioned")
    # Jede Zahl ablehnen, die die Engine nicht erzeugt hat
    for num in response.financial_figures:
        if num not in engine_numbers:
            return escalate("unverified figure")
    return response

Einfach, aber es setzt die Regel durch, dass das LLM die Sprache liefert, während Engine und Freigabeliste die Fakten besitzen.

Wissenscheck

1. Welche Komponente sollte in der empfohlenen Architektur eines LLM-Wealth-Copilots für die Berechnung von Allokationszielen und die Erzeugung von Trades zuständig sein?

2. Warum betont die Lektion, dass das LLM „eine Absicht vorschlägt“, während die Engine „entscheidet und ausführt“?

3. Was ist der zentrale konzeptionelle Unterschied zwischen einem klassischen Robo Advisor und einem LLM-Copilot?

MEHRFACHAUSWAHL

4. Wählen Sie ALLE richtigen Antworten. Welche Aufgaben gehören in dieser Architektur passend zum LLM-Layer (nicht zur deterministischen Engine)?

Wählen Sie alle richtigen Antworten aus.

MEHRFACHAUSWAHL

5. Wählen Sie ALLE richtigen Antworten. Welche Risiken oder Gründe sprechen tatsächlich für die Trennung von LLM und deterministischer Engine?

Wählen Sie alle richtigen Antworten aus.

Regulierung und der Mensch im Loop

In den USA löst personalisierte Anlageberatung gegen Entgelt in der Regel Pflichten nach dem Investment Advisers Act aus, einschließlich einer Fiduciary Duty (Handeln im besten Interesse des Kunden). Ein Copilot hebt diese Pflicht nicht auf. Sie liegt weiter beim Unternehmen.

Regulierer haben Bedenken gegenüber AI Washing (Überzeichnen von KI-Fähigkeiten) und gegenüber Interessenkonflikten signalisiert, bei denen eine KI Kunden zu Produkten lenkt, die dem Unternehmen nützen. Designen Sie auf Transparenz: legen Sie offen, dass KI unterstützt, halten Sie einen Menschen für die Beratung verantwortlich, und optimieren Sie den Copilot nicht auf Unternehmensumsatz statt Kundenergebnis.

Praktische Haltung für 2026: Behandeln Sie den Copilot als Assistenten, der den Wirkungsbereich eines menschlichen Beraters erweitert, nicht als unbeaufsichtigten Berater. Skalierung im Retail, Verantwortung beim Menschen.

Alles zusammengesetzt

Ein gut gebauter Wealth Copilot:

1. Spricht mit dem Kunden und erfasst Ziele, Restriktionen und gezeigtes Verhalten als strukturierte Daten.

2. Gibt das an eine deterministische Engine für Scoring, Allokation und steueroptimiertes Rebalancing weiter.

3. Nutzt RAG und Number Injection, sodass jeder Fakt eine Quelle hat und jede Zahl von der Engine kommt.

4. Eskaliert an Menschen an definierten Grenzen und protokolliert alles.

Die Magie, die Kunden spüren (eine App, die sie zu verstehen scheint), kommt aus Kontext und klarer Sprache. Die Sicherheit kommt daraus, das Sprachmodell nie zur Quelle der Wahrheit zu machen.

Key Takeaways

  • Trennen Sie die Aufgaben. LLM für Gespräch und Erklärung, deterministische Engine für jede Zahl und jeden Trade. Das LLM schlägt Absichten vor, niemals endgültige Zahlen.
  • Personalisieren Sie über Verhalten, nicht nur über einen Fragebogen. Trennen Sie Risikokapazität von Toleranz und wägen Sie gezeigte Handlungen (Panikverkäufe) gegen genannte Antworten ab.
  • Begrenzen Sie Halluzinationen mit RAG plus Number Injection. Antworten nur aus freigegebenen Dokumenten, engine-geprüfte Zahlen einfügen und jedes Produkt oder jede Zahl blockieren, für die das System keine Quelle hat.
  • Halten Sie einen Menschen verantwortlich. Fiduciary Duty und Offenlegungspflichten bleiben beim Unternehmen; gestalten Sie explizite Eskalationspfade statt zu tun, als erledige der Copilot alles.

Zurück

KI-gestützte Portfoliokonstruktion und Risiko

Weiter

Compliance, Explainability und Model Governance