Fragen & Antworten

Ein klassischer SaaS führt vorprogrammierte Aktionen aus: Wenn X, dann Y. Ein KI-Agent hingegen erhält ein Ziel, versteht den Kontext, plant seine Schritte und führt eine Abfolge von Aktionen aus, indem er sich an die Daten anpasst, auf die er stößt. Diese Autonomie ist sein Interesse und sein Risiko.
In einem Fonds sind die für einen Agenten relevanten Anwendungsfälle gut gerahmt: Bearbeitung von Lieferanten-E-Mails, Anreicherung einer Deal-Karte, automatische Vorbereitung eines Komitee-Pakets anhand eines Datenraums, Überwachung von Signalen über Zielunternehmen. Schlecht gerahmte Fälle (Treffen einer Investitionsentscheidung, Senden einer Mitteilung an einen LP ohne Korrekturlesen) sind keine Fälle für Agenten, sondern Fälle für assistierte Menschen.
Ein guter Agent hat vier Eigenschaften: einen klaren Umfang, menschliche Aufsicht bei jedem sensiblen Schritt, vollständige Nachvollziehbarkeit und Umkehrbarkeit im Falle eines unerwarteten Verhaltens. Bodic entwickelt seine Agenten im Rahmen seiner maßgeschneiderten Entwicklungen nach diesen Grundsätzen.

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.

Die Strukturierung einer robusten Datenkette in einer Verwaltungsgesellschaft besteht darin, den Informationsfluss von der Produktion bis zur Endnutzung explizit, kontrolliert und zuverlässig zu gestalten.
Konkret bedeutet dies, mehrere Schlüsselschritte zu formalisieren: Identifizierung der Datenquellen (E-Mails, Dateien, Portale, APIs), Definition der Speicherorte (interne Datenbanken, Data Warehouse, Business-Tools), Organisation der Transformationen (Bereinigung, Anreicherung, Konsolidierung) und dann Strukturierung der Verteilung an die Endnutzer (Reporting, Komitees, Anlegerkommunikation, regulatorische Verpflichtungen).
Eine robuste Datenkette beruht auf einigen grundlegenden Prinzipien.
Zunächst einmal muss jeder kritische Datensatz klar definiert sein: eine identifizierte Quelle, ein Referenzformat, eine Aktualisierungshäufigkeit und ein Verantwortlicher. Ohne diese Disziplin kommt es schnell zu Diskrepanzen zwischen Teams, Tools und Lieferungen.
Zweitens ist es von entscheidender Bedeutung, Redundanzen zu begrenzen. Die Vervielfachung von Excel-Dateien, lokalen Extraktionen oder parallelen Versionen führt zu Inkonsistenzen und schwächt das Vertrauen in die Zahlen. Ziel ist es, zu einer gemeinsamen, zugänglichen und kontrollierten "Quelle der Wahrheit" zu konvergieren.
Auch die Nachvollziehbarkeit ist zentral. Jede Zahl, die in einer Berichterstattung oder einem Ausschuss verwendet wird, muss mit ihrem Ursprung verbunden werden können, mit einer Historie der Umwandlungen. Dies wird kritisch, sobald die LP- oder regulatorischen Anforderungen steigen.
Schließlich beinhaltet eine robuste Kette auch Kontrollmechanismen: Validierungsregeln, Warnungen bei Anomalien, menschliche Aufsicht an sensiblen Punkten. Dieser Rahmen ermöglicht es, die Qualität zu sichern, ohne die Abläufe zu verlangsamen.
Die Herausforderung geht weit über die Technik hinaus. Eine gut strukturierte Datenkette verbessert die Qualität der Berichte, erleichtert die Zusammenarbeit zwischen den Teams (Investment, IR, Middle Office, Compliance), erhöht die Glaubwürdigkeit gegenüber den Anlegern und beschleunigt die Entscheidungsfindung.
Dies ist auch eine Grundvoraussetzung für den effektiven Einsatz von KI-Tools. Ohne strukturierte, zuverlässige und gesteuerte Daten verstärkt die KI bestehende Mängel, anstatt Werte zu schaffen.