Fragen & Antworten

Die Einführung von KI und Data in einem Fonds führt nicht zu einem abrupten Bruch in den Berufen, sondern lässt neue Rollen rund um die Strukturierung der Daten, die Governance und die operative Nutzung entstehen.
Die erste Schlüsselrolle ist die des fachlichen Data Owners. Er trägt die Verantwortung für einen kritischen Datenumfang, z. B. Beteiligungen, Investoren oder die Pipeline. Er definiert die Indikatoren, die Verwaltungsregeln, die erwarteten Formate und die Qualitätsstandards. Ohne diese Rolle bleiben die Daten diffus und schwer verwertbar.
Die zweite Rolle ist die des Data / AI Lead. Er steuert die Data- und AI-Roadmap des Fonds, priorisiert die Anwendungsfälle, entscheidet über die Wahl der Tools und gewährleistet die globale Kohärenz. Er fungiert als Konvergenzpunkt zwischen den Investmentteams, dem Middle Office, der IR und den Unterstützungsfunktionen.
Eine dritte Rolle entsteht rund um den Operational Data Manager. Er befindet sich im Zentrum der Operationen, häufig im Middle Office, und stellt sicher, dass die Datenströme korrekt gesammelt, kontrolliert, konsolidiert und verbreitet werden. Er ist für die operative Qualität und den reibungslosen Ablauf der Datenkette verantwortlich.
Mit der KI entsteht auch eine spezifischere Rolle des KI-Berufschampions. Dieses Profil muss nicht unbedingt technisch sein, aber es beherrscht die Werkzeuge und ihre Nutzung. Es begleitet die Teams bei der Einführung, identifiziert relevante Anwendungsfälle und formalisiert bewährte Verfahren, insbesondere in Bezug auf die Überwachung und die Grenzen von KI-Agenten.
Schließlich wird eine übergreifende Rolle der Daten- und KI-Governance unerlässlich. Sie deckt die Themen Rückverfolgbarkeit, Sicherheit, Einhaltung und Kontrolle ab. In einem LP- und Regulierungskontext wird die Fähigkeit, Daten oder Entscheidungen zu erklären, genauso wichtig wie sie zu produzieren.
Es ist nicht notwendig, sofort ein dediziertes Team zu strukturieren. In den meisten Fonds entstehen diese Rollen allmählich aus den bestehenden Teams. Die Herausforderung besteht darin, die Verantwortlichkeiten zu identifizieren, den Umfang zu klären und einen gezielten Kompetenzaufbau zu strukturieren.
Der Schlüsselpunkt bleibt die fachliche Verankerung. Diese Rollen dürfen nicht in einer rein technischen Logik isoliert werden, sondern müssen in den Kern der Investitions- und Verwaltungsprozesse integriert werden. Es ist diese Nähe, die es ermöglicht, Daten in einen echten Leistungshebel zu verwandeln.

Halluzinationen sind das größte Risiko beim Einsatz von KI-Agenten im Finanzkontext. Sie sind nicht auf zufällige Fehler zurückzuführen, sondern auf ein strukturelles Verhalten der Modelle, wenn ihnen keine zuverlässigen oder ausreichend eingeschränkten Informationen zur Verfügung stehen.
Dieses Risiko lässt sich durch drei Kontrollebenen stark reduzieren.
Die erste ist die strikte Verankerung an einer zertifizierten Wahrheitsquelle. Der Agent darf sich nicht auf allgemeines Wissen oder implizite Daten stützen, sondern nur auf ein kontrolliertes internes Referenzsystem. Jede Antwort muss mit einer identifizierbaren, zugänglichen und überprüfbaren Quelle verknüpft sein. Eine nicht quellenbasierte Antwort sollte standardmäßig als ungültig betrachtet werden.
Die zweite Ebene ist die Beschränkung des funktionalen und informationellen Umfangs. Ein Agent muss in einem bestimmten Bereich mit einem begrenzten und kontrollierten Datensatz tätig werden. Je breiter der Umfang, desto größer ist das Risiko einer ungefähren Interpretation. In der Praxis ist ein Agent, der auf eine Untermenge von Finanzdaten spezialisiert ist, z. B. die KPIs einer Beteiligung oder die Middle-Office-Feeds, signifikant zuverlässiger als ein generalistischer Agent.
Die dritte Ebene ist die Einführung systematischer Kontrollen der Outputs. Alle Zahleninformationen, die für den externen Gebrauch bestimmt sind, insbesondere für Investoren, müssen einer menschlichen Validierung unterzogen werden. Diese Validierung muss sich auf eine vollständige Rückverfolgbarkeit stützen: ursprüngliche Anfrage, mobilisierte Quellen, angewandte Transformationen und generierte Antwort.
Über diese Grundsätze hinaus spielt die technische Architektur eine entscheidende Rolle. Ein strukturierter Ansatz besteht darin, die KI-Schicht von den Rohdaten zu isolieren, ein zentrales Repository zu verwenden und den Agenten nur validierte Daten zu präsentieren. So lässt sich genau kontrollieren, was der Agent sehen und verwenden kann.
Schließlich ist es wichtig, Halluzinationen als ein Thema der Governance zu behandeln und nicht nur als ein technisches Problem. Das bedeutet, Nutzungsregeln, Verantwortungsebenen und Aufsichtsmechanismen zu definieren, die den finanziellen Herausforderungen angemessen sind.
Ein zuverlässiger Agent ist nicht derjenige, der "gut antwortet", sondern derjenige, bei dem jede Antwort erklärt, zurückverfolgt und verifiziert werden kann.

KI kann die Vorbereitung eines Anlageausschusses erheblich verbessern, sofern sie nicht das verschlechtert, was die Qualität einer Entscheidung ausmacht: die Klarheit der Argumentation, die Priorisierung von Informationen und die Solidität der Überzeugung.
Das Hauptrisiko ist klar erkannt: KI erhöht die Menge der verfügbaren Informationen: mehr Daten, mehr Szenarien, mehr Signale, ohne eine bessere Entscheidung zu garantieren. Diese Fülle kann sogar zu einer kognitiven Überlastung führen und die wirklich strukturierenden Punkte verwässern. Es ist daher von entscheidender Bedeutung, Informationsreichtum nicht mit der Qualität des Urteils zu verwechseln.
Der richtige Gebrauch besteht darin, die KI um den Entscheidungsprozess herum zu organisieren und nicht umgekehrt. Das bedeutet, dass die Schlüsselfragen, die in den Ausschüssen diskutiert werden, im Vorfeld identifiziert werden müssen und dann gezielte Zusammenfassungen erstellt werden, die so kalibriert sind, dass sie diese Fragen beleuchten, ohne nach Vollständigkeit zu streben. Ziel ist es, das Rauschen zu reduzieren, um das Signal zu verstärken.
KI ist besonders hilfreich bei der Vorbereitung dieser Materialien: Strukturierung eines Investitionsmemorandums, Zusammenfassung eines Datenraums, Abgleich verschiedener Informationsquellen oder Neuformulierung von Analysen, um deren Lesbarkeit zu verbessern. Sie sollte jedoch nicht anstelle der Teams zu Schlussfolgerungen kommen. Die Verantwortung für die Analyse und die Empfehlung bleibt beim Menschen.
Ein Schlüsselpunkt ist die Nachvollziehbarkeit. Jede Zahl oder Behauptung, die im Ausschuss verwendet wird, muss mit einer identifizierbaren Quelle in Verbindung gebracht werden können. KI kann bei der Strukturierung dieser Nachvollziehbarkeit helfen, muss sich aber auf eine zuverlässige und gesteuerte Datenkette stützen.
In Sitzungen ist ihre Rolle eher taktischer Natur: Sie soll schnell eine bestimmte Information finden, einen Punkt überprüfen und auf Wunsch ein alternatives Szenario erforschen. So eingesetzt, wird er zu einem unterstützenden Instrument, ohne die Entscheidungsdynamik zu beeinträchtigen.
Schließlich ist der richtige Leistungsindikator nicht die eingesparte Vorbereitungszeit, sondern die Qualität der getroffenen Entscheidungen. Eine richtig eingesetzte KI muss das Verständnis der Herausforderungen, die Robustheit des Austauschs und die Entscheidungsfähigkeit verbessern und nicht nur die Produktion von Dokumenten beschleunigen.