Asset Management · Beratung personalisieren mit Robo- und LLM-Copiloten

Eine Kundin öffnet um 23 Uhr ihre Banking-App und tippt: „Ich habe einen Bonus von 40.000 $ erhalten. Soll ich meine Hypothek tilgen oder ins Portfolio investieren?“ Die App antwortet in Sekunden und bezieht sich auf ihre Ziele, ihren Steuersatz und ihre bestehenden Positionen. Das ist das Versprechen des AI Wealth Copilot. Die Gefahr: dasselbe System kann bei derselben Frage von einer anderen Person selbstbewusst einen Fonds erfinden, der nicht existiert.

Diese Lektion zeigt, wie Sie einen Copilot entwerfen, der Goals-based Advice personalisiert, und wo ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → bricht.

Vom Robo Advisor zum LLMLLMEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen →-Copilot

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

Ein LLM-Copilot legt ein Large Language Model darauf (ein auf Text trainiertes System, das konversieren und über Dokumente schlussfolgern kann). Statt eines statischen Fragebogens spricht die Kundin. 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 Konversation, Erklärung und Nuancen. Halten Sie diese Aufgaben getrennt. Das ist die wichtigste Design-Entscheidung dieser Lektion.

Warum Trennung zählt

LLMs sind gut in Sprache und schlecht in Arithmetik, die Sie nicht sehen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen. Wenn Sie ein LLM bitten, „auf 60/40 zu rebalancieren“, kann es plausibel aussehende Allokationen erzeugen, die sich nicht korrekt summieren oder Tax Lots ignorieren.

Die Architektur sieht also so aus:

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

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

Goals-based Advice, persönlich gemacht

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

Hier wird Personalisierung real. Ein Copilot kann Kontext halten:

• Ziel: Eigenkapital Haus, 3 Jahre, 80.000 $ Zielbetrag
• Ziel: Ruhestand, 25 Jahre, aktuell on track
• Constraint: Kundin hält kein Tabak und keine Schusswaffen

Wenn die Kundin nach dem Bonus fragt, kann der Copilot über alle drei hinweg schlussfolgern. Das kurzfristige Ziel ist unterfinanziert, also favorisiert die deterministische Logik es. Das LLM erklärt dann den Tradeoff in einfacher Sprache.

Ein konkreter Intake-Flow

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

{
  "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 zählt. Wer „moderat“ angibt, aber in einem früheren Abschwung panisch verkauft hat, zeigt ein Verhalten, das der genannten Antwort widerspricht. Beides zu erfassen ist bessere Personalisierung als jeder einzelne Fragebogen-Score.

Wo One-size-fits-all-Risikoprofilierung bricht

Klassische Risikofragebögen 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 verkraften. 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 nervös ist. Ein Rentner, der Einkommen entnimmt, hat niedrige Kapazität, auch wenn er Aktien liebt. Gute Copiloten trennen beides.

Angegebene versus offenbarte 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 übersieht es. Ein Copilot kann nach Updates fragen, wenn er einen großen Geldzufluss erkennt.

Die Website Investor.gov der SEC hat gut verständliches Material zur Risikoeinschätzung, das lesenswert ist, um zu sehen, wie Regulierer diese Konzepte für Privatanleger rahmen.

Rebalancing mit einem Copilot

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

Gute Copilot-Verhaltensweisen:

• Threshold-Rebalancing: nur rebalancieren, wenn ein Asset über ein Band hinaus driftet (zum Beispiel plus oder minus 5 Prozentpunkte), was unnötige Trades reduziert.
• Steuerbewusste Reihenfolge: im steuerpflichtigen Konto zuerst Verlierer verkaufen, um Verluste zu realisieren, und kurzfristige Gewinne vermeiden. Das ist deterministische Logik, kein LLM-Raten.
• Begründung in einfacher Sprache: „Ihre Aktienquote ist von einem 60%-Ziel auf 68% gedriftet, weil Aktien gestiegen sind. Ein Verkauf von 6.000 $ des Indexfonds bringt Sie zurück und bleibt innerhalb des Wash-Sale-Fensters.“

Das Halluzinationsproblem

Eine LLM-Halluzination ist eine selbstbewusste, flüssige Antwort, die faktisch falsch ist. Im Wealth Management 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 gibt eine Expense Ratio falsch an.
• Erfundene Performance: „Dieser Fonds erzielte 12% pro Jahr“, aus dem Nichts gegriffen.
• Falsche Steueraussagen: eine Beitragsgrenze oder Regel falsch nennen.
• Advice-Framing: der Übergang von Aufklärung zu einer personalisierten Empfehlung, zu der das Unternehmen nicht befugt ist oder die es nicht geben will.

GuardrailsGuardrailsRegeln und Kontrollen, die ein KI-System in sicheren, rechtskonformen und markengerechten Grenzen halten und unerwünschte Ausgaben blockieren.Vollständige Definition ansehen →, die wirklich funktionieren

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

Zahlen auf die Engine beschränken. Jede Zahl, die einer Kundin gezeigt wird (Allokation, projizierter Bestand, Gebühr), kommt aus dem deterministischen System und wird in die Antwort eingespielt. Das LLM erzeugt nie eine Finanzzahl freihändig.

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

Confidence und Offenlegung. Kennzeichnen Sie Output klar als edukativ, solange ihn kein lizenzierter Prozess als Beratung freigibt. Loggen Sie jede Interaktion für das Audit.

Ein schneller Guardrail-Check

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 erzwingt die Regel, dass das LLM Sprache vorschlägt, während Engine und Freigabeliste die Fakten besitzen.

Regulierung und der Human in the 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 der Kundin). Ein Copilot nimmt diese Pflicht nicht weg. Das Unternehmen trägt sie weiterhin.

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

Praktische Haltung für 2026: behandeln Sie den Copilot als Assistent, der erweitert, was ein menschlicher Berater abdecken kann, nicht als unbeaufsichtigten Berater. Retail-Skalierung, menschliche Verantwortung.

Alles zusammengesetzt

Ein gut designter Wealth Copilot:

1. Spricht mit der Kundin und erfasst Ziele, Constraints und offenbartes Verhalten als strukturierte Daten.
2. Übergibt das an eine deterministische Engine für Scoring, Allokation und steuerbewusstes Rebalancing.
3. Nutzt RAGRAGVerfahren, mit dem ein KI-Modell aus Ihren eigenen Dokumenten antwortet, indem es relevante Passagen abruft, bevor es eine Antwort erzeugt.Vollständige Definition ansehen → und Number Injection, sodass jeder Fakt belegt und jede Zahl Engine-generiert ist.
4. Eskaliert an Menschen an definierten Grenzen und loggt 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 Konversation und Erklärung, deterministische Engine für jede Zahl und jeden Trade. Das LLM schlägt Absicht vor, nie die endgültigen Zahlen.
• Personalisieren Sie über Verhalten, nicht nur über einen Fragebogen. Trennen Sie Risikokapazität von Toleranz und wiegen Sie offenbarte Handlungen (Panikverkäufe) gegen genannte Antworten.
• Begrenzen Sie Halluzinationen mit RAG plus Number Injection. Antworten Sie nur aus freigegebenen Dokumenten, spielen Sie Engine-verifizierte Zahlen ein, und blockieren Sie jedes Produkt und jede Zahl, die das System nicht belegen kann.
• Halten Sie einen Menschen verantwortlich. Fiduciary Duty und Offenlegungspflichten bleiben beim Unternehmen; gestalten Sie explizite Eskalationspfade, statt vorzugeben, der Copilot erledige alles.